L'objectif de l'apprentissage à faibles tirs (few-shot learning) est d'apprendre un classifieur qui généralise bien même lorsqu'il est entraîné avec un nombre limité d'instances d'apprentissage par classe. Les approches récemment introduites d'apprentissage métadynamique (meta-learning) abordent ce problème en apprenant un classifieur générique sur un grand nombre de tâches de classification multiclasses et en généralisant le modèle à une nouvelle tâche. Cependant, même avec un tel apprentissage métadynamique, le problème de faibles données dans la nouvelle tâche de classification demeure. Dans cet article, nous proposons le Réseau de Propagation Transductif (Transductive Propagation Network, TPN), un cadre novateur d'apprentissage métadynamique pour l'inférence transductive qui classe l'ensemble du jeu de test en une seule fois afin d'alléger le problème de faibles données. Plus précisément, nous proposons d'apprendre à propager les étiquettes des instances étiquetées vers les instances non étiquetées du jeu de test, en apprenant un module de construction de graphe qui exploite la structure variétale dans les données. Le TPN apprend conjointement les paramètres du plongement des caractéristiques et la construction du graphe de manière end-to-end. Nous validons le TPN sur plusieurs jeux de données de référence, où il surpasse largement les approches existantes d'apprentissage à faibles tirs et atteint des résultats d'état de l'art.