La science des réseaux a connu une croissance fulgurante, portée par le pouvoir transformateur de l’apprentissage des représentations de nœuds pour des applications diverses telles que l’analyse des réseaux sociaux ou la modélisation biologique. Bien que les algorithmes d’embedding superficiels se distinguent par leur capacité à capturer la structure du réseau, ils souffrent d’une limitation critique : leur incapacité à généraliser aux nœuds inconnus. Ce papier aborde ce défi en introduisant, comme principal apport, un nouvel approche baptisée Inductive Shallow Node Embedding, qui ouvre la voie à l’apprentissage inductif pour les embeddings superficiels. Ce modèle repose sur une architecture d’encodeur novatrice, conçue pour capturer la structure locale du voisinage de chaque nœud, permettant ainsi une généralisation efficace aux nœuds inédits. Dans ce processus de généralisation, la robustesse est essentielle afin d’éviter une dégradation des performances due au bruit présent dans les données. Il a été démontré théoriquement que la covariance du terme de bruit additif dans le modèle proposé est inversement proportionnelle au nombre de voisins d’un nœud. Une autre contribution majeure réside dans la proposition d’une borne inférieure mathématique permettant de quantifier la robustesse des embeddings de nœuds, confirmant ainsi un avantage par rapport aux méthodes traditionnelles d’embedding superficiel, notamment en présence de bruit sur les paramètres. L’évaluation empirique montre que la méthode proposée excelle particulièrement dans les réseaux dynamiques, atteignant de manière cohérente plus de 90 % de performance sur des nœuds inédits, par rapport aux nœuds rencontrés durant l’entraînement, sur divers benchmarks. L’analyse expérimentale conclut que notre méthode surpasser les approches concurrentes sur la grande majorité des jeux de données, tant dans les tâches transductives que inductives.