Proponemos un algoritmo novedoso para el aprendizaje de representaciones de grafos no supervisado con grafos atribuidos. Combina tres ventajas abordando algunas limitaciones actuales de la literatura: (i) El modelo es inductivo: puede incrustar nuevos grafos sin necesidad de volver a entrenar en presencia de nuevos datos; (ii) El método tiene en cuenta tanto microestructuras como macroestructuras al observar los grafos atribuidos a diferentes escalas; (iii) El modelo es completamente diferenciable: es un bloque de construcción que se puede integrar en tuberías de aprendizaje profundo y permite la retropropagación. Mostramos que combinar un método de agrupamiento con garantías teóricas sólidas con la maximización de la información mutua es suficiente para producir incrustaciones de alta calidad. Los evaluamos en tareas de clasificación con bancos de pruebas comunes de la literatura. Mostramos que nuestro algoritmo es competitivo con el estado del arte entre los métodos de aprendizaje de representación de grafos no supervisados.