La classification d'images entières est un problème classique en apprentissage automatique, et les réseaux neuronaux à graphes constituent une méthodologie puissante pour apprendre des géométries hautement irrégulières. Il est souvent le cas que certaines parties d'un nuage de points soient plus importantes que d'autres lors de la détermination de la classification globale. Dans les structures de graphe, cela a commencé par le regroupement d'informations à la fin des filtres convolutifs, et s'est développé vers diverses techniques de regroupement en plusieurs étapes sur des graphes statiques. Dans cet article, une formulation dynamique du regroupement est introduite, éliminant ainsi la nécessité d'une structure de graphe prédéterminée. Elle y parvient en apprenant dynamiquement les relations les plus importantes entre les données grâce à un regroupement intermédiaire. L'architecture du réseau produit des résultats intéressants en termes de taille de représentation et d'efficacité. Elle s'adapte également facilement à un grand nombre de tâches, allant de la classification d'images à la régression énergétique en physique des hautes énergies.