Les embeddings de nœuds de haute qualité appris à partir des réseaux de neurones graphiques (GNN) ont été largement appliqués à diverses tâches centrées sur les nœuds, certaines atteignant même des performances de pointe (SOTA). Toutefois, lorsqu’on utilise ces embeddings de nœuds issus des GNN pour générer des embeddings de graphe, la représentation scalaire des nœuds s’avère souvent insuffisante pour préserver efficacement les propriétés des nœuds et des graphes, conduisant à des embeddings de graphe sous-optimisés.Inspirés par le réseau de neurones à capsules (CapsNet), nous proposons le Capsule Graph Neural Network (CapsGNN), qui intègre le concept de capsules afin de surmonter les limites des méthodes existantes d’embeddings de graphe basées sur les GNN. En extrayant les caractéristiques des nœuds sous forme de capsules, le mécanisme de routage permet de capturer efficacement des informations importantes au niveau du graphe. En conséquence, notre modèle génère plusieurs embeddings par graphe, permettant ainsi de saisir différentes facettes des propriétés du graphe. Le module d’attention intégré dans CapsGNN permet également de traiter des graphes de tailles variées, tout en orientant l’attention du modèle vers les parties critiques du graphe.Nos évaluations étendues sur 10 jeux de données structurées en graphe démontrent que CapsGNN dispose d’un mécanisme puissant, fondé sur une approche data-driven, pour capturer les propriétés macroscopiques globales du graphe. Il surpasser d’autres techniques de pointe sur plusieurs tâches de classification de graphes, grâce à cet outil innovant.