텍스트 속성 그래프 사기 탐지 (Text-attributed graph fraud detection, TAGFD)는 온라인 소셜 및 이커머스 플랫폼에서 사기 행위를 방지하는 데 중요한 역할을 합니다. 그러나 사기꾼들은 탐지를 피하기 위해 선량한 사용자의 텍스트 응답을 의도적으로 모방함으로써 위장 전략을 지속적으로 진화시키며, 이를 통해 자신들의 악의적인 목적을 숨깁니다. 의미론적 위장 (Semantic camouflage)이라 불리는 이 현상은 구조적 및 속성 단서 (Structural and attribute cues)를 활용하여 사기꾼을 식별할 수 있다는 일반적인 가정을 근본적으로 저해하며, 비지도 (Unsupervised) TAGFD로 사기꾼을 찾아내는 것을 어렵게 만듭니다. 이러한 격차를 해소하기 위해, 우리는 비지도 TAGFD를 위한 사례 적응형 다중 단서 전문가 프레임워크 (Case-Adaptive Multi-cue Expert fRAmework, CAMERA)를 제안합니다. CAMERA는 각 전문가가 서로 다른 유형의 사기 지표 단서를 모델링하는 데 특화된 에고-디커플링 혼합 전문가 (Ego-decoupled mixture-of-experts) 구조를 채택합니다. 서로 다른 전문가들이 학습한 단서들을 적응적으로 통합하기 위해, 에고 노드 표현 (Ego node representation)과 그 국소 이웃 문맥 (Local neighborhood context)을 공동으로 고려하는 문맥 정보 기반 게이팅 모델 (Context-informed gating model)이 도입됩니다. 또한, CAMERA는 사기꾼의 내재적인 희소성을 활용하여, 지배적인 선량한 패턴의 모델링을 장려하는 전문가 수준의 목적 함수를 통해 비지도 단일 클래스 학습 (Unsupervised one-class learning)을 지원함으로써, 위장된 사기꾼에 대한 신뢰할 수 있는 비지도 탐지를 가능하게 합니다. 4개의 도전적인 데이터셋에 대한 실험 결과, CAMERA는 경쟁 모델들을 지속적으로 능가하며 의미론적으로 위장된 사기꾼에 대한 효과성을 입증했습니다. 코드는 https://github.com/CampanulaBells/CAMERA 에서 확인할 수 있습니다.