Debido al crecimiento explosivo de los datos de grafos, el agrupamiento de grafos atribuidos ha recibido una atención creciente recientemente. Aunque los métodos de agrupamiento de grafos basados en redes neuronales profundas han logrado un rendimiento impresionante, la gran cantidad de parámetros de entrenamiento los hace consumidores de tiempo y de memoria. Además, los grafos del mundo real suelen ser ruidosos o incompletos y no son óptimos para la tarea de agrupamiento. Para resolver estos problemas, diseñamos un marco de aprendizaje de grafos para la tarea de agrupamiento de grafos atribuidos en este estudio. Primero desarrollamos un modelo superficial para aprender un grafo detallado a partir de datos suavizados, que explota suficientemente tanto los atributos de los nodos como la información de topología. También diseñamos un regularizador para explorar de manera flexible la información de alto orden oculta en los datos. Para reducir aún más la complejidad computacional, luego proponemos un método lineal con respecto al número de nodos, donde se aprende un grafo más pequeño basado en una estrategia de muestreo de importancia para seleccionar anclas. Experimentos extensos en seis conjuntos de datos de referencia demuestran que nuestros métodos propuestos no solo son efectivos sino también más eficientes que las técnicas de vanguardia. En particular, nuestro método supera a muchos enfoques recientes de aprendizaje profundo.