Cet article propose le raffinement de pseudo-étiquettes de graphes imbriqués (NeGPR), un nouveau cadre pour résoudre le problème d'adaptation au domaine des graphes (GDA), en considérant des situations réalistes où les étiquettes du graphe source contiennent du bruit. NeGPR pré-entraîne des branches doubles (sémantique et topologique) qui améliorent la cohérence du voisinage dans l'espace des caractéristiques afin d'atténuer l'impact des étiquettes bruyantes. Pour traiter les différences de domaine, il utilise un mécanisme de raffinement imbriqué, où une branche sélectionne des échantillons cibles de confiance élevée pour guider l'adaptation de l'autre branche, permettant ainsi un apprentissage inter-domaines incrémental. De plus, comme les pseudo-étiquettes sont bruyantes et que la branche pré-entraînée peut sur-adapter les étiquettes bruyantes du domaine source, nous intégrons une stratégie de régularisation sensible au bruit afin d'atténuer les effets négatifs du bruit des pseudo-étiquettes, même en présence d'un sur-apprentissage de la source. Des expériences approfondies sur des jeux de données de référence démontrent que NeGPR surpasse systématiquement les méthodes de pointe en présence d'un bruit d'étiquette important, atteignant une amélioration de la précision allant jusqu'à 12,7 %.
