Ce papier traite de l'apprentissage transductif profond et propose TransBoost, une procédure de finetuning destinée à améliorer les performances de tout modèle neuronal profond sur un ensemble de test (non étiqueté) fourni au moment de l'entraînement. TransBoost s'inspire d'un principe à large marge et se distingue par son efficacité et sa simplicité d'utilisation. Notre méthode améliore significativement la performance de classification sur ImageNet pour une large gamme d'architectures, telles que ResNets, MobileNetV3-L, EfficientNetB0, ViT-S et ConvNext-T, atteignant ainsi des résultats de pointe en apprentissage transductif. En outre, nous démontrons que TransBoost est efficace sur une variété de jeux de données de classification d'images. L'implémentation de TransBoost est disponible à l'adresse suivante : https://github.com/omerb01/TransBoost.