Nous proposons un modèle pour l'apprentissage simultané de la représentation et le partitionnement (ou clustering) de graphes attribués. Basé sur un simple réseau convolutif sur graphe, notre modèle effectue le clustering en minimisant la différence entre la représentation réduite des données convoluées et la reconstruction des centroïdes calculés dans l'espace de dimension réduite. Nous montrons l'efficacité du modèle par rapport à l'état de l'art sur différents jeux de données de graphes attribués sur la tâche du clustering. Cet article est un résumé du papier (Fettal et al., 2022).