Bài báo này đề xuất Nested Graph Pseudo-Label Refinement (NeGPR), một khuôn khổ mới để giải quyết vấn đề Graph Domain Adaptation (GDA), xem xét các tình huống thực tế trong đó nhãn đồ thị nguồn chứa nhiễu. NeGPR huấn luyện trước các nhánh kép (nhánh ngữ nghĩa và nhánh tôpô) giúp tăng cường tính nhất quán lân cận trong không gian đặc trưng để giảm thiểu tác động của nhãn nhiễu. Để giải quyết các khác biệt về miền, nó sử dụng cơ chế tinh chỉnh lồng nhau, trong đó một nhánh chọn các mẫu mục tiêu có độ tin cậy cao để hướng dẫn việc điều chỉnh nhánh kia, cho phép học liên miền gia tăng. Hơn nữa, vì nhãn giả có nhiễu và nhánh được huấn luyện trước có thể quá khớp với nhãn nhiễu trong miền nguồn, chúng tôi tích hợp một chiến lược chính quy hóa có nhận biết nhiễu để giảm thiểu các tác động bất lợi của nhiễu nhãn giả ngay cả khi có sự quá khớp nguồn. Các thí nghiệm mở rộng trên các tập dữ liệu chuẩn chứng minh rằng NeGPR luôn vượt trội hơn các phương pháp tiên tiến trong điều kiện nhiễu nhãn nghiêm trọng, đạt được cải thiện độ chính xác lên tới 12,7%.
