La détection d'anomalies dans des graphes est une tâche importante dans de nombreux domaines. Même si les modèles semi-supervisés existants se sont avérés efficaces pour identifier les anomalies, ils supposent cependant qu'un échantillon étiqueté du graphe est disponible mais sans prendre en compte le problème du manque de fiabilité d'un tel échantillon. Dans cet article, nous considérons des graphes attribués et nous proposons un nouveau cadre méthodologique basé sur deux auto-encodeurs à convolution de graphe entraînés selon un mécanisme de suspicion. Le premier est entraîné sur un échantillon censé être composé d'entités normales tandis que le second sur un échantillon supposé contenir des anomalies. La classification finale se fait en couplant le résultat des deux auto-encodeurs. Nous démontrons expérimentalement que notre approche obtient des performances au moins équivalentes aux méthodes de l'état de l'art dans le cas d'échantillons parfaits tout en étant plus résiliente aux erreurs d'étiquetage.