Dans cet article, nous proposons un nouveau réseau neuronal graphique à étiquetage des arêtes (EGNN), qui adapte un réseau neuronal profond sur le graphe d'étiquetage des arêtes, pour l'apprentissage par tirs limités. Les approches précédentes de réseaux neuronaux graphiques (GNN) dans l'apprentissage par tirs limités étaient basées sur le cadre d'étiquetage des nœuds, qui modélise implicitement la similarité intra-cluster et la dissimilarité inter-cluster. En revanche, l'EGNN proposé apprend à prédire les étiquettes des arêtes plutôt que celles des nœuds sur le graphe, ce qui permet une évolution explicite du clustering en mettant à jour itérativement les étiquettes des arêtes en exploitant directement à la fois la similarité intra-cluster et la dissimilarité inter-cluster. Il est également bien adapté pour fonctionner avec divers nombres de classes sans réentraînement et peut être facilement étendu pour effectuer une inférence transductive. Les paramètres de l'EGNN sont appris par entraînement épisodique avec une perte d'étiquetage des arêtes afin d'obtenir un modèle bien généralisable pour les problèmes à faibles données non vus. Sur les tâches de classification d'images supervisée et semi-supervisée par tirs limités utilisant deux jeux de données de référence, l'EGNN proposé améliore significativement les performances par rapport aux GNN existants.