Recientemente, los métodos de diagnóstico de fallos en rodamientos basados en aprendizaje profundo han logrado un éxito significativo. Sin embargo, en aplicaciones de ingeniería prácticas, la limitada cantidad de datos etiquetados y las diversas condiciones de trabajo restringen severamente la aplicación generalizada de la mayoría de los métodos de diagnóstico de fallos basados en aprendizaje profundo. Además, muchos métodos se centran únicamente en la información de amplitud de las muestras, descuidando la rica información relacional entre las muestras. Para abordar estos problemas, este artículo propone un nuevo método de diagnóstico de fallos de pocos disparos y cruzado basado en una red neuronal gráfica de umbral dinámico adaptativo (ADTGNN). El objetivo del método propuesto es identificar rápidamente los tipos de fallos después de que ocurran solo unas pocas veces o incluso una sola vez. El módulo de cálculo de umbral adaptativo (ATCM) en ADTGNN asigna dinámicamente umbrales a cada borde en función de la confianza del borde, optimizando la estructura del gráfico y aliviando efectivamente el problema de sobre-suavizado. Además, se introduce una estrategia de ajuste de umbral dinámico (DTAS) para aumentar gradualmente el umbral con las iteraciones de entrenamiento, evitando que el modelo descarte prematuramente bordes cruciales debido a un rendimiento insuficiente. La efectividad del modelo propuesto se demuestra utilizando tres conjuntos de datos de rodamientos. Los resultados experimentales indican que el enfoque propuesto supera significativamente a otros métodos de comparación en el diagnóstico de fallos en rodamientos en condiciones cruzadas.