グラフ構造データの急速な増加に伴い、教師なしグラフレベル異常検出（UGAD）は重要な課題となっています。UGADは、通常の行動パターンから逸脱した完全なグラフを特定しようとしますが、既存のGraph Neural Network（GNN）アプローチは、訓練セットが正常なグラフのみで構成されていると仮定することが多いのが実際の問題です。異常なグラフの軽微な混入でも、学習された表現が歪み、パフォーマンスが大幅に低下する恐れがあります。この課題に対処するため、著者たちはDeNoiseというフレームワークを提案します。DeNoiseは、汚染された訓練データのために設計され、グラフレベルのエンコーダ、属性デコーダ、構造デコーダを一緒に最適化します。また、高情報のノード埋め込みを正常なグラフから融合させるデノイジング機構を導入し、異常の干渉を抑えつつ表現の質を向上させます。実験では、DeNoiseは様々なノイズ強度において信頼性の高いグラフレベルの表現を継続的に学習し、最先端のUGADベースラインを大きく上回る性能を示しました。