L'équité algorithmique a suscité un grand intérêt dans la communauté de l'apprentissage automatique et plus récemment dans le domaine des données relationnelles représentées sous forme de graphe. Dans cet article, nous abordons le problème de l'apprentissage de représentations équitables des noeuds d'un graphe, en se concentrant plus spécifiquement sur l'équité dyadique pour la tâche de prédiction de liens dans des graphes attribués. Nous avons conçu un modèle qui, étant donné des paires de nœuds avec un attribut protégé/sensible, apprend une représentation basée sur le principe du Variationnal Information Bottleneck (Alemi et al., 2017) en utilisant un Graph Neural Network (GNN) comme encodeur. Le modèle proposé permet d'apprendre simultanément des plongements de nœuds non linéaires reflétant la structure du graphe, tout en contrôlant explicitement le niveau d'équité. Les expériences menées sur plusieurs jeux de données du monde réel ont confirmé la capacité de la méthode à maintenir une haute précision sur la tâche de prédiction de liens tout en réduisant significativement le biais.