L’apprentissage des embeddings de graphes constitue une tâche fondamentale dans le traitement de diverses bases de données. Bien que les architectures encodeur-décodeur, telles que les U-Nets, aient obtenu des résultats remarquables dans les tâches de prédiction pixel par pixel sur les images, leur application directe aux données de graphes soulève des défis en raison de l’absence d’opérations naturelles de pooling et d’up-sampling pour les graphes. Les méthodes récentes exploitent des paramètres apprenables afin d’extraire des informations structurelles à partir de réseaux de neurones et étendent les opérations de pooling et d’unpooling aux graphes en s’appuyant à la fois sur les caractéristiques des nœuds et sur l’information structurelle du graphe. Ce papier propose un nouveau modèle appelé GIUNet (Graph Isomorphism U-Net) destiné à la classification de graphes. La structure de U-Net proposée repose sur une convolution basée sur l’isomorphisme de graphes, tout en intégrant une couche de pooling pq complète. La couche de pooling pq dans notre approche combine efficacement les caractéristiques des nœuds et les informations structurelles du graphe lors de l’étape de réduction du graphe. Pour intégrer l’information structurelle du graphe, nous utilisons à la fois une représentation spectrale et des mesures de centralité des nœuds. Les mesures de centralité des nœuds captent divers aspects structurels des nœuds au sein du graphe, tandis que la représentation spectrale permet de se concentrer sur les composantes à basse fréquence informatives de la structure du graphe. Grâce à des études d’ablation, nous démontrons que l’utilisation du modèle GIUNet permet d’obtenir des améliorations significatives par rapport aux méthodes de pointe sur plusieurs jeux de données de référence.