Cet article propose GuARD, un nouveau modèle de détection d'anomalies dans les graphes riches en texte. Les méthodes existantes de détection d'anomalies basées sur des modèles de langage à grande échelle (LLM) présentent des limites, telles que l'incapacité à exploiter efficacement les informations textuelles ou la non-prise en compte des caractéristiques structurelles du graphe. GuARD répond à ces défis en combinant les caractéristiques structurelles des méthodes basées sur les graphes avec des propriétés sémantiques fines extraites de modèles de langage à petite échelle. Il utilise un cadre avancé d'ajustement de directives multimodal et multipasse, optimisé pour intégrer les modalités textuelles et structurelles. Les résultats expérimentaux sur quatre jeux de données démontrent des performances, une vitesse d'apprentissage et une vitesse d'inférence supérieures à celles des méthodes existantes.
