G OOD D

Good-D: Bei einer unbeaufsichtigten Graph-Erkennung außerhalb der Verteilung

Dies ist der Quellcode des WSDM'23-Papiers "Good-D: auf unbeaufsichtigter Diagrammerkennung".

Anforderungen

Dieser Code erfordert Folgendes:

• Python == 3,9
• Pytorch == 1.11.0
• Pytorch geometrisch == 2.0.4
• Numpy == 1,21.2
• Scikit-larn == 1.0.2
• OGB == 1.3.3
• Networkx == 2.7.1
• Faiss-gpu == 1.7.2

Verwendung

Führen Sie einfach das Skript aus, das dem gewünschten Experiment und dem Datensatz entspricht. Zum Beispiel:

• Erkennung von BZR (ID) und COX2 (OOD) -Datensätzen ausführen:

 bash script/oodd_BZR+COX2.sh

• Führen Sie die Anomalie -Erkennung auf Proteinen aus.

 bash script/ad_PROTEINS_full.sh

Statistik des OOD-Detektionsbenchmarks auf Diagrammniveau

Die Statistik jedes Datensatzpaares in unserem Benchmark wird wie folgt bereitgestellt.

	ID -Datensatz				OOD -Datensatz
NEIN.	Name	# Diagramm (Zug/Test)	# Knoten (avg.)	# Rand (avg.)	Name	# Diagramm (Prüfen)	# Knoten (avg.)	# Rand (avg.)
1	Bzr	364/41	35.8	38,4	Cox2	41	41.2	43,5
2	PTC-MR	309/35	14.3	14.7	Mutag	35	17.9	19.8
3	AIDS	1.800/200	15.7	16.2	DHFR	200	42.4	44,5
4	Enzyme	540/60	32.6	62.1	PROTEIN	60	39.1	72,8
5	IMDB-B	1.350/150	19.8	96,5	IMDB-M	150	13.0	65,9
6	Tox21	7.047/784	18.6	19.3	Sider	784	33.6	35.4
7	Freesolv	577/65	8.7	8.4	Toxcast	65	18.8	19.3
8	BBBP	1.835/204	24.1	26.0	BACE	204	34.1	36.9
9	Clintox	1,329/148	26.2	27.9	Lipo	148	27.0	29,5
10	Esol	1.015/113	13.3	13.7	Muv	113	24.2	26.3

Statistik von Anomalie-Erkennungsdatensätzen auf Grafikebene

Die Statistik jedes Datensatzes in den Anomalie -Detektionsexperimenten wird wie folgt bereitgestellt.

Datensatz	# Diagramm (Zug/Test)	# Knoten (avg.)	# Rand (avg.)
Proteine-voll	360/223	39.1	72,8
Enzyme	400/120	32.6	62.1
AIDS	1280/400	15.7	16.2
DHFR	368/152	42.4	44,5
Bzr	69/81	35.8	38,4
Cox2	81/94	41.2	43,5
Dd	390/236	284.3	715.7
NCI1	1646/822	29.8	32.3
IMDB-B	400/200	19.8	96,5
Reddit-B	800/400	429.6	497.8
Zusammenarbeit	1920/1000	74,5	2457.8
HSE	423/267	16.9	17.2
MMP	6170/238	17.6	18.0
p53	8088/269	17.9	18.3
PPAR-Gamma	219/267	17.4	17.7

Implementierungsdetails

Hyperparameter

Aus Gründen der Effizienz setzen wir die strukturellen Codierungsdimensionen $ d_s^{(rw)} $ Und $ d_s^{(dg)} $ Zu $ 16 $ . Die Encoder sind 5-layer-Gins mit $ 16 $ Versteckte Dimensionen. Die Anzahl der Dimensionen prognostizierter Einbettungen entspricht welcher der Knotenbettendings. Die Chargengröße ist ausgewählt aus $ 16 $ Zu $ 128 $ Gemäß der Grafik der Datensätze. Die Anzahl der Cluster $ K $ und Selbstverwaltungsparameter $ alpha $ werden durch Grid -Suche mit den Scopes von ausgewählt $ {2, 3, 5, 10, 15, 20, 30} $ Und $ {0, 0,2, 0,4, 0,6, 0,8, 1,0} $ , jeweils. Das Modell wird vom Adam -Optimierer mit einer Lernrate von trainiert $ 0,0001 $ bis konvergierend.

Computerinfrastrukturen

Wir führen die Experimente auf einem Linux -Server mit einem Intel Xeon Gold 6226R CPU und zwei Tesla V100S -GPUs durch. Wir implementieren unsere Methode mit Pytorch 1.11.0 und Pytorch Geometric 2.0.4.

Zitieren

Wenn Sie mit Aspekten dieser Arbeit vergleichen, aufbauen oder verwenden, geben Sie Folgendes an:

 @inproceedings{liu2023goodd,
  title={GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection},
  author={Liu, Yixin and Ding, Kaize and Liu, Huan and Pan, Shirui},
  booktitle={Proceedings of the Sixteenth ACM International Conference on Web Search and Data Mining},
  year={2023}
}