El agrupamiento de grafos tiene como objetivo dividir nodos en diferentes grupos sin etiquetas y ha atraído gran atención debido al éxito de las redes neuronales de grafos (GNNs). Los métodos de agrupamiento basados en GNN tradicionales se basan en la suposición homofílica, es decir, que los nodos conectados pertenecen a los mismos grupos. Sin embargo, esta suposición no siempre es cierta, ya que los grafos heterofílicos también son ubicuos en el mundo real, lo que limita la aplicación de GNNs. Además, estos métodos pasan por alto las posiciones globales, lo que puede resultar en agrupamientos erróneos. Para resolver los problemas mencionados, proponemos un modelo novedoso llamado Preservación de la Información Global para el Agrupamiento de Grafos con Autoencoders Enmascarados (GCMA). Primero proponemos un filtro pasa bajos-pasa altos para capturar información significativa de baja y alta frecuencia. Luego, proponemos un método de difusión de grafos para obtener la posición global. Específicamente, se propone una matriz Laplaciana parametrizada para controlar mejor la dirección global. Para mejorar aún más la capacidad de aprendizaje de los autoencoders, diseñamos un modelo con una estrategia de enmascaramiento que mejora la capacidad de aprendizaje. Experimentos extensos en grafos homofílicos y heterofílicos demuestran las ventajas de GCMA sobre las líneas de base de vanguardia.