Este artículo propone GuARD, un nuevo modelo para la detección de anomalías en grafos con alto contenido textual. Los métodos actuales de detección de anomalías basados en modelos de lenguaje a gran escala (LLM) presentan limitaciones, como la incapacidad de utilizar eficazmente la información textual o la falta de consideración de las características estructurales del grafo. GuARD aborda estos desafíos combinando las características estructurales de los métodos basados en grafos con propiedades semánticas de grano fino extraídas de modelos de lenguaje a pequeña escala. Utiliza un marco avanzado de ajuste de directivas multimodal y multipaso, optimizado para integrar modalidades textuales y estructurales. Los resultados experimentales en cuatro conjuntos de datos demuestran un rendimiento, una velocidad de entrenamiento y una velocidad de inferencia superiores a los de los métodos existentes.
