본 논문은 그래프 이상 탐지에서 신뢰할 수 있는 이상 레이블 데이터셋의 부족이라는 문제를 해결하기 위해, 재구성 오차를 이용하는 기존 그래프 오토인코더(GAE)의 한계를 극복하는 새로운 방법인 그래프 증거 학습(GEL)을 제안한다. GEL은 증거 학습을 통해 노드 특징과 그래프 토폴로지를 증거 분포로 모델링하여 그래프 불확실성과 재구성 불확실성 두 가지 유형의 불확실성을 정량화하고, 이를 이상 점수 계산 메커니즘에 통합한다. 이는 기존 GAE의 노이즈 및 과적합에 대한 민감성 문제를 해결하여 향상된 성능과 강건성을 제공한다. 실험 결과 GEL이 최첨단 성능을 달성하고 노이즈 및 구조적 변화에 대한 높은 강건성을 유지함을 보여준다.
