近年、教師なしのグラフ異常検出（GAD）が注目を集めており、ラベルのないノード情報を利用して異常パターンを特定することを目的としています。しかし、従来の方法は完全なノード属性と構造情報を前提としているため、実世界ではプライバシーや収集エラー、動的なノードの追加により、この条件を満たすのは難しいです。既存の補完技術は稀な異常ノードを「修復」し、正常に見せかけるリスクがあり、これにより検出プロセスにバイアスを導入します。さらに、ノード属性とエッジが同時に欠損している場合、一方のエラーが他方に波及するクロスビュー干渉が発生し、検出精度が低下します。これらの課題を克服するために、M2V-UGADというフレームワークを提案します。この方法では、欠損したノード属性とグラフ構造を独立に再構築するデュアルパスエンコーダを導入し、一方のエラーが他方に影響しないようにしています。最終的に、実験によりM2V-UGADが他の教師なしGAD手法に対して優れた性能を示すことが確認されました。