La classification des graphes est un problème aux applications pratiques nombreuses dans divers domaines. Pour résoudre ce problème, on calcule généralement certaines statistiques de graphes (c’est-à-dire des caractéristiques de graphes) afin de distinguer les graphes appartenant à différentes classes. Lors du calcul de ces caractéristiques, la plupart des approches existantes traitent l’intégralité du graphe. Par exemple, dans une approche basée sur les graphlets, l’ensemble du graphe est traité pour obtenir le nombre total de graphlets ou sous-graphes différents. Toutefois, dans de nombreuses applications réelles, les graphes peuvent être bruités, et les motifs discriminants sont souvent confinés à certaines régions spécifiques du graphe. Dans ce travail, nous étudions le problème de la classification des graphes basée sur l’attention. L’utilisation de l’attention nous permet de nous concentrer sur de petites parties informatives du graphe, tout en évitant le bruit présent dans le reste du graphe. Nous proposons un nouveau modèle à réseaux de neurones récurrents, appelé Graph Attention Model (GAM), qui traite uniquement une partie du graphe en sélectionnant de manière adaptative une séquence de nœuds « informatifs ». Les résultats expérimentaux sur plusieurs jeux de données réels montrent que la méthode proposée est compétitive par rapport à diverses méthodes bien établies en classification des graphes, malgré la limitation de notre approche à une portion seulement du graphe.