Nous présentons le variational graph auto-encoder (VGAE), un cadre pour l'apprentissage non supervisé sur des données structurées en graphe basé sur le variational auto-encoder (VAE). Ce modèle utilise des variables latentes et est capable d'apprendre des représentations latentes interprétables pour les graphes non orientés. Nous illustrons ce modèle à l'aide d'un encodeur de réseau de neurones convolutifs sur graphe (GCN) et d'un décodeur simple basé sur le produit intérieur. Notre modèle obtient des résultats compétitifs dans une tâche de prédiction de liens dans des réseaux de citations. Contrairement à la plupart des modèles existants pour l'apprentissage non supervisé sur des données structurées en graphe et la prédiction de liens, notre modèle peut intégrer naturellement les caractéristiques des nœuds, ce qui améliore considérablement les performances prédictives sur plusieurs jeux de données de référence.