Este artículo propone el Refinamiento de Pseudoetiquetas de Grafos Anidados (NeGPR), un novedoso marco para resolver el problema de Adaptación del Dominio de Grafos (GDA), considerando situaciones realistas donde las etiquetas del grafo fuente contienen ruido. NeGPR preentrena ramas duales (semántica y topológica) que mejoran la consistencia de vecindad en el espacio de características para mitigar el impacto de las etiquetas ruidosas. Para abordar las diferencias de dominio, utiliza un mecanismo de refinamiento anidado, donde una rama selecciona muestras objetivo de alta confianza para guiar la adaptación de la otra rama, lo que permite un aprendizaje incremental entre dominios. Además, dado que las pseudoetiquetas son ruidosas y la rama preentrenada puede sobreajustarse a etiquetas ruidosas en el dominio fuente, integramos una estrategia de regularización que tiene en cuenta el ruido para mitigar los efectos adversos del ruido de pseudoetiquetas, incluso en presencia de sobreajuste de la fuente. Experimentos exhaustivos con conjuntos de datos de referencia demuestran que NeGPR supera consistentemente a los métodos más avanzados bajo un ruido de etiqueta severo, logrando una mejora de precisión de hasta un 12,7 %.
