Bài báo này đề cập đến vấn đề Thích ứng Miền Đồ thị (GDA) khi có nhãn đồ thị nguồn nhiễu. Khác với các phương pháp GDA hiện có vốn giả định nhãn nguồn sạch, chúng tôi đề xuất một khuôn khổ mới, Tinh chỉnh Nhãn Giả Đồ thị Lồng nhau (NeGPR). NeGPR huấn luyện trước các nhánh kép (ngữ nghĩa và tôpô) giúp tăng cường tính nhất quán lân cận trong không gian đặc trưng để giảm thiểu ảnh hưởng của nhiễu. Nó chọn các mẫu mục tiêu có độ tin cậy cao thông qua cơ chế tinh chỉnh lồng nhau để hướng dẫn quá trình thích ứng ở nhánh còn lại, và tích hợp một chiến lược điều chỉnh nhận biết nhiễu để giảm thiểu hiện tượng quá khớp và các tác động tiêu cực của nhiễu giả nhãn trong miền nguồn. Kết quả thực nghiệm cho thấy NeGPR vượt trội hơn các phương pháp tiên tiến trong môi trường nhiễu nhãn nghiêm trọng, đạt được độ chính xác cải thiện lên đến 12,7%.
