Ces dernières années, l'apprentissage automatique pour les graphes attribués a progressé grâce aux réseaux de neurones pour graphes (GNN) (Kipf et Welling, 2017). Cependant, ces méthodes supposent que les attributs sont entièrement connus, ce qui est rarement le cas dans les graphes réels. Cet article explore le potentiel du transport optimal (TO) pour imputer les valeurs d'attributs manquantes dans des graphes attribués. Nous proposons une nouvelle fonction de perte multi-vues basée sur le TO, intégrant les attributs des noeuds et la structure du graphe. Cette fonction permet d'entraîner une architecture GNN capable d'imputer simultanément toutes les valeurs manquantes et, dans un context dynamique, d'imputer de nouveaux noeuds. Nous évaluons notre approche sur des données synthétiques et réelles. Les résultats montrent que notre méthode est compétitive avec l'état de l'art, et meilleure, en particulier sur les graphes faiblement homophiles.