Proponemos un enfoque alternativo de entropía máxima para aprender los espectros de grafos masivos. A diferencia del algoritmo de Lanczos de vanguardia para la estimación de la densidad espectral y sus aplicaciones, nuestro enfoque no requiere suavizado de núcleo. Dado que la elección de la función de núcleo y la banda asociada afectan en gran medida la salida resultante, nuestro enfoque mitiga estos problemas. Además, demostramos que el suavizado de núcleo sesga los momentos de la densidad espectral. Nuestro enfoque puede considerarse como un enfoque óptimo desde el punto de vista de la teoría de la información para aprender una densidad espectral de grafo suave, que respeta completamente la información de los momentos. El método propuesto tiene un costo computacional lineal en el número de aristas, por lo que puede aplicarse incluso a redes grandes con millones de nodos. Mostramos el enfoque en problemas de aprendizaje de similitud de grafos y conteo de número de clúster en el grafo, donde el método propuesto supera a los enfoques espectrales iterativos existentes tanto en grafos sintéticos como en grafos del mundo real.