تظهر الجهود الحديثة أن الشبكات العصبية معرضة للتشويشات الصغيرة ولكن المقصودة في الخصائص الإدخالية لمهام التصنيف البصري. نظرًا للاعتبار الإضافي للروابط بين الأمثلة (مثل المقالات ذات الروابط الاستشهادية التي تميل إلى أن تكون في نفس الفئة)، يمكن أن تكون الشبكات العصبية الرسومية أكثر حساسية لهذه التشويشات، حيث تزيد التشويشات من الأمثلة المرتبطة من تأثيرها على المثال المستهدف. يعد التدريب المعادي (AT)، وهو تقنية تنظيم ديناميكي، قادراً على مقاومة أسوأ حالات التشويش في الخصائص الإدخالية ويعتبر خياراً واعداً لتحسين متانة النموذج وتعميمه. ومع ذلك، فإن طرق التدريب المعادي الحالية تركز على التصنيف القياسي، وهي أقل فعالية عند تدريب النماذج على الرسم البياني لأنها لا تأخذ في الاعتبار تأثير الأمثلة المرتبطة.في هذا العمل، نستكشف التدريب المعادي على الرسم البياني بهدف تحسين متانة النماذج وتعميمها التي تم تعلمها من خلال الرسم البياني. نقترح التدريب المعادي الرسومي (GraphAT)، الذي يأخذ في الاعتبار تأثير الأمثلة المرتبطة عند تعلم بناء ومقاومة التشويشات. نقدم صياغة عامة لـ GraphAT، والتي يمكن اعتبارها نظام تنظيم ديناميكي يعتمد على هيكل الرسم البياني. لإظهار فائدة GraphAT، نقوم بتطبيقه على نموذج شبكات عصبية رسومية متطور --- شبكة الاختلاف الرسومية (GCN). نجري التجارب على رسمين بيانيين للمراجعات (Citeseer و Cora) وعلى رسم بياني للمعرف (NELL)، مما يؤكد فعالية GraphAT التي تتخطى التدريب الطبيعي على GCN بنسبة 4.51% في دقة تصنيف العقد. يمكن الحصول على الأكواد عبر الرابط: https://github.com/fulifeng/GraphAT.