Las redes neuronales gráficas (GNNs) han captado una atención significativa por su capacidad para procesar de manera efectiva datos relacionados con grafos. La mayoría de los métodos existentes asumen que el grafo de entrada no tiene ruido; sin embargo, esta suposición se viola con frecuencia en escenarios del mundo real, lo que resulta en representaciones de grafo deterioradas. Para abordar este problema, partimos de la esencia del aprendizaje de la estructura del grafo, considerando el descubrimiento y eliminación de bordes, la reponderación de bordes existentes y la diferenciabilidad de la estructura del grafo. Introducimos nodos virtuales y consideramos conexiones con nodos virtuales para generar estructuras de grafo optimizadas, y posteriormente utilizamos Gumbel-Softmax para reponderar bordes y lograr diferenciabilidad del Aprendizaje de la Estructura del Grafo (VN-GSL por abreviatura). Realizamos una evaluación exhaustiva de nuestro método en una variedad de conjuntos de datos de referencia bajo circunstancias limpias y adversas. Los resultados de nuestros experimentos demuestran que nuestro enfoque exhibe superioridad en cuanto a rendimiento y eficiencia. Nuestra implementación estará disponible para el público.