Dans la classification à peu d'exemples, l'objectif consiste à apprendre des modèles capables de distinguer des classes à partir d'un nombre très restreint d'exemples étiquetés. Dans ce contexte, plusieurs travaux ont proposé d'introduire des réseaux de neurones sur graphes (GNNs) afin d'exploiter les informations contenues dans d'autres échantillons traités simultanément, ce qu'on appelle couramment le cadre transductif dans la littérature. Ces GNNs sont entraînés conjointement avec un extracteur de caractéristiques principal (backbone). Dans cet article, nous proposons une nouvelle méthode qui utilise uniquement des graphes pour interpoler les vecteurs de caractéristiques, conduisant ainsi à un cadre d'apprentissage transductif sans paramètres supplémentaires à entraîner. Notre méthode exploite donc deux niveaux d'information : a) des caractéristiques transférées obtenues sur des jeux de données génériques, et b) des informations transductives issues des autres échantillons à classer. En utilisant des jeux de données standard pour la classification visuelle à peu d'exemples, nous démontrons sa capacité à apporter des gains significatifs par rapport à d'autres approches.