近期研究揭示,图神经网络(GNN)易受对抗性攻击的影响。为了防御这类攻击,稳健图结构精化(GSR)方法旨在基于节点特征、图结构或外部信息最小化对抗性边缘的影响。然而,我们发现现有的GSR方法受到狭窄假设的限制,例如假设节点特征清洁、结构攻击适度以及外部干净图的可用性,导致在实际应用场景中的适用性受限。在本文中,我们提出一个自引导的GSR框架(SG-GSR),它利用在给定被攻击图中找到的一个干净子图。此外,我们提出了一种新颖的图增强和群训练策略来处理清洁子图提取中的两个技术挑战:1)结构信息的丢失,和2)节点度分布的不平衡。广泛的实验表明,SG-GSR在各种场景下的有效性,包括非定向攻击、定向攻击、特征攻击、电子商务欺诈和噪声节点标签。我们的代码可在 https://github.com/yeonjun-in/torch-SG-GSR 获取。