グラフ異常検出（GAD）は、グラフ構造のデータから外れ値を検出する手法であり、近年研究の注目を集めている。しかし、既存のGAD手法はトレーニングデータとテストデータが同一であると仮定しており、実際にはこの前提が成り立たないことが多い。現実のシナリオでは、未見の正常サンプルが出現することで、GADモデルの性能が低下することがある。その主な原因は、（1）意味的混乱と、（2）集約汚染である。従来の手法は再訓練や微調整を要するが、高コストやラベル付きデータの収集の難しさから実用的ではない。これに対処するために、本研究では軽量なテスト時適応フレームワーク（TUNE）を提案し、グラフアライナーを用いてシフトしたデータを元のデータに整列させる方法を示した。実験結果から、TUNEはGADモデルの一般化能力を大幅に向上させることが確認された。