연구진은 훈련 없이도 다양한 그래프 데이터셋에 적용 가능한 범용 그래프 이상 탐지(GGAD) 프레임워크 NeighborDiv를 제안했어요. 기존 GGAD 방법과는 달리 이웃 간의 다양성을 활용하여 이상 징후를 감지하며, 이는 이웃-이웃 다양성 패러다임을 기반으로 합니다. NeighborDiv는 기존 방식 대비 평균 AUC 10.25%, 평균 AP 17.78% 향상된 성능을 보였으며, 훈련 데이터 의존성 없이 안정적인 성능을 유지합니다.