Cet article aborde le problème de l'adaptation au domaine des graphes (GDA) en présence d'étiquettes de graphes sources bruyantes. Contrairement aux méthodes GDA existantes qui supposent des étiquettes sources propres, nous proposons un nouveau cadre, le raffinement de pseudo-étiquettes de graphes imbriqués (NeGPR). NeGPR pré-entraîne des branches doubles (sémantique et topologique) qui améliorent la cohérence du voisinage dans l'espace des caractéristiques afin d'atténuer les effets du bruit. Il sélectionne des échantillons cibles de haute confiance grâce à un mécanisme de raffinement imbriqué pour guider l'adaptation dans l'autre branche, et intègre une stratégie de régularisation sensible au bruit pour atténuer le surapprentissage et les effets négatifs du bruit des pseudo-étiquettes dans le domaine source. Les résultats expérimentaux montrent que NeGPR surpasse les méthodes de pointe dans les environnements à fort bruit d'étiquettes, avec une amélioration de la précision allant jusqu'à 12,7 %.
