本文提出了一种基于自适应图的多标签图像分类方法。基于图的方法在多标签分类领域已在很大程度上被利用，因为它们的标签相关性模型。 具体来说，它们的有效性不仅在考虑一个域时，而且在考虑多个领域时也得到了证明。 但是，使用的图形的拓扑并不是最佳的，因为它是预先定义的启发式。 此外，连续图卷积网络（GCN）聚集倾向于破坏特征相似性。 为了克服这些问题，引入了用于以端到端方式学习图形连接性的体系结构。 这是通过整合基于注意力的机制和具有相似性的策略来完成的。 然后，使用对抗训练方案将所提出的框架扩展到多个领域。 对众所周知的单域和多域基准进行了许多实验。 结果表明，我们的方法以平均平均精度（MAP）和模型大小与最先进的方法相比，取得了竞争成果。 该代码将公开可用。基于图的方法在多标签分类领域已在很大程度上被利用，因为它们的标签相关性模型。具体来说，它们的有效性不仅在考虑一个域时，而且在考虑多个领域时也得到了证明。但是，使用的图形的拓扑并不是最佳的，因为它是预先定义的启发式。此外，连续图卷积网络（GCN）聚集倾向于破坏特征相似性。为了克服这些问题，引入了用于以端到端方式学习图形连接性的体系结构。这是通过整合基于注意力的机制和具有相似性的策略来完成的。然后，使用对抗训练方案将所提出的框架扩展到多个领域。对众所周知的单域和多域基准进行了许多实验。结果表明，我们的方法以平均平均精度（MAP）和模型大小与最先进的方法相比，取得了竞争成果。该代码将公开可用。