pygod
v1.1.0
Pygod es una biblioteca de Python para la detección de valores atípicos (detección de anomalías). Este campo emocionante pero desafiante tiene muchas aplicaciones clave, por ejemplo, detectar actividades sospechosas en las redes sociales [1] y los sistemas de seguridad [2].
Pygod incluye más de 10 algoritmos de detección de atípicos gráficos de más de 10 gráficos. Para consistencia y accesibilidad, Pygod se desarrolla sobre Pytorch geométrico (PYG) y Pytorch, y sigue el diseño API de Pyod. ¡Vea los ejemplos a continuación para detectar valores atípicos con Pygod en 5 líneas!
Pygod aparece para :
Detección atípica usando pygod con 5 líneas de código :
# train a dominant detector
from pygod . detector import DOMINANT
model = DOMINANT ( num_layers = 4 , epoch = 20 ) # hyperparameters can be set here
model . fit ( train_data ) # input data is a PyG data object
# get outlier scores on the training data (transductive setting)
score = model . decision_score_
# predict labels and scores on the testing data (inductive setting)
pred , score = model . predict ( test_data , return_score = True )Citando pygod :
Nuestro papel de software y papel de referencia están disponibles públicamente. Si usa Pygod o Bond en una publicación científica, apreciaríamos las citas de los siguientes documentos:
@article {jmlr: v25: 23-0963,
Autor = {Kay Liu y Yingtong Dou y Xueying Ding y Xiyang Hu y Ruitong Zhang y Hao Peng y Lichao Sun y Philip S. Yu},
title = {{pygod}: una biblioteca {python} para detección atípica gráfica},
Journal = {Journal of Machine Learning Research},
año = {2024},
volumen = {25},
número = {141},
páginas = {1-9},
url = {http://jmlr.org/papers/v25/23-0963.html}
}
@InProcedings {NeurIPS2022_ACC1EC4A,
author = {Liu, Kay and Dou, Yingtong and Zhao, Yue and Ding, Xueying and Hu, Xiyang and Zhang, Ruitong and Ding, Kaize and Chen, Canyu and Peng, Hao and Shu, Kai and Sun, Lichao and Li, Jundong and Chen, George H and Jia, Zhihao and Yu, Philip S},
booktitle = {avances en sistemas de procesamiento de información neural},
editor = {S. Koyejo y S. Mohamed y A. Agarwal y D. Belgrave y K. Cho y A. Oh},
páginas = {27021--27035},
Publisher = {Curran Associates, Inc.},
title = {{Bond}: Benchmarking Detección de nodo atípico sin supervisión en gráficos atribuidos estáticos},
url = {https://proceedings.neurips.cc/paper_files/paper/2022/file/acc1ec4a9c780006c9aafd595104816b-paper-datasets_and_benchmarks.pdf},,
volumen = {35},
año = {2022}
}
o:
Liu, K., Dou, Y., Ding, X., Hu, X., Zhang, R., Peng, H., Sun, L. y Yu, PS, 2024. Pygod: una biblioteca de Python para detección de gráficos. Journal of Machine Learning Research, 25 (141), pp.1-9. Liu, K., Dou, Y., Zhao, Y., Ding, X., Hu, X., Zhang, R., Ding, K., Chen, C., Peng, H., Shu, K., Sun, L., Li, J., Chen, GH, Jia, Z. y Yu, PS, 2022. Bond: Benchmarking no superpuesta sin supervisión de los nopervados sin supervisión. Avances en sistemas de procesamiento de información neural, 35, pp.27021-27035.
Nota sobre la instalación de Pyg y Pytorch : Pygod depende de Torch y Torch_Geometric (incluidas sus dependencias opcionales). Para agilizar la instalación, Pygod no instala estas bibliotecas para usted. Instálelos desde los enlaces anteriores para ejecutar Pygod:
Se recomienda usar PIP para la instalación. Asegúrese de que la última versión esté instalada, ya que Pygod se actualiza con frecuencia:
pip install pygod # normal install
pip install --upgrade pygod # or update if neededAlternativamente, puede clonar y ejecutar el archivo setup.py:
git clone https://github.com/pygod-team/pygod.git
cd pygod
pip install .Dependencias requeridas :
"A Blitz Introducción" demuestra la API básica de Pygod utilizando el detector dominante. Se observa que la API en todos los demás algoritmos es consistente/similar .
Referencia completa de la API: (https://docs.pygod.org). Hoja de trucos API para todos los detectores:
Atributos clave de un detector ajustado:
Entrada de Pygod : pase en un objeto de datos PYG. Ver ejemplos de procesamiento de datos de PYG.
| Abbr | Año | Columna vertebral | Muestreo | Árbitro |
|---|---|---|---|---|
| ESCANEAR | 2007 | Agrupación | No | [3] |
| Gae | 2016 | GNN+AE | Sí | [4] |
| Radar | 2017 | Mf | No | [5] |
| ANÓMALO | 2018 | Mf | No | [6] |
| UNO | 2019 | Mf | No | [7] |
| DOMINANTE | 2019 | GNN+AE | Sí | [8] |
| HECHO | 2020 | MLP+AE | Sí | [9] |
| Sumar | 2020 | MLP+AE | Sí | [9] |
| Anomalidos | 2020 | GNN+AE | Sí | [10] |
| Gaan | 2020 | Ganancia | Sí | [11] |
| Dmgd | 2020 | GNN+AE | Sí | [12] |
| Ocgnn | 2021 | GNN | Sí | [13] |
| Reajuste salarial | 2021 | GNN+AE+SSL | Sí | [14] |
| GUÍA | 2021 | GNN+AE | Sí | [15] |
| Conad | 2022 | GNN+AE+SSL | Sí | [16] |
| Gadnr | 2024 | GNN+AE | Sí | [17] |
| TARJETA | 2024 | GNN+SSL+AE | Sí | [18] |
Puede contribuir a este emocionante proyecto:
Consulte la Guía de contribución para obtener más información.
Pygod es un gran esfuerzo de equipo de investigadores de UIC, IIT, Buaa, ASU y CMU. Los miembros de nuestro equipo central incluyen:
Kay Liu (Uic), Yingtong Dou (Uic), Yue Zhao (CMU), Xueying Ding (CMU), Xiyang Hu (CMU), Ruitong Zhang (Buaa), Kaize Ding (ASU), Canyu Chen (IIT),,
Comuníquese con nosotros enviando un informe de problema o envíe un correo electrónico a [email protected].
| [1] | Dou, Y., Liu, Z., Sun, L., Deng, Y., Peng, H. y Yu, PS, 2020, octubre. Mejora de detectores de fraude de redes neuronales de gráficos contra estafadores camuflados. En Actas de la 29a Conferencia Internacional de ACM sobre Gestión de Información y Conocimiento (CIKM). |
| [2] | Cai, L., Chen, Z., Luo, C., Gui, J., Ni, J., Li, D. y Chen, H., 2021, octubre. Redes neuronales de gráficos temporales estructurales para la detección de anomalías en gráficos dinámicos. En Actas de la 30ª Conferencia Internacional de ACM sobre Gestión de Información y Conocimiento (CIKM). |
| [3] | Xu, X., Yuruk, N., Feng, Z. y Schweiger, TA, 2007, agosto. Escaneo: un algoritmo de agrupación estructural para redes. En Actas de la 13ª Conferencia Internacional SIGKDD SIGKDD sobre descubrimiento de conocimiento y minería de datos (KDD). |
| [4] | KIPF, TN y Welling, M., 2016. Graph Variiicalsal-coders. Preimpresión ARXIV ARXIV: 1611.07308. |
| [5] | Li, J., Dani, H., Hu, X. y Liu, H., 2017, agosto. Radar: análisis residual para la detección de anomalías en redes atribuidas. En Actas de la vigésima sexta Conferencia Internacional Conjunta sobre Inteligencia Artificial (IJCAI). |
| [6] | Peng, Z., Luo, M., Li, J., Liu, H. y Zheng, Q., 2018, julio. Anómalos: un enfoque de modelado conjunto para la detección de anomalías en redes atribuidas. En Actas de la Veintigua Conferencia Internacional Conjunta Internacional sobre Inteligencia Artificial (IJCAI). |
| [7] | Bandyopadhyay, S., Lokesh, N. y Murty, MN, 2019, julio. Incrustación de red atípica consciente de redes atribuidas. En Actas de la Conferencia AAAI sobre Inteligencia Artificial (AAAI). |
| [8] | Ding, K., Li, J., Bhanushali, R. y Liu, H., 2019, mayo. Detección de anomalías profundas en redes atribuidas. En Actas de la Conferencia Internacional de SIAM sobre minería de datos (SDM). |
| [9] | (1, 2) Bandyopadhyay, S., Vivek, SV y Murty, MN, 2020, enero. Arquitecturas profundas no supervisadas resistentes a los valores atípicos para la incrustación de red atribuida. En Actas de la Conferencia Internacional sobre Búsqueda Web y Minería de datos (WSDM). |
| [10] | Fan, H., Zhang, F. y Li, Z., 2020, mayo. Anomalydae: doble autoencoder para la detección de anomalías en redes atribuidas. En Actas de la Conferencia Internacional IEEE sobre Acústica, Procesamiento de Discurso y Señal (ICASSP). |
| [11] | Chen, Z., Liu, B., Wang, M., Dai, P., Lv, J. y Bo, L., 2020, octubre. Detección de anomalías de red atersionarias generativas. En Actas de la 29a Conferencia Internacional de ACM sobre Gestión de Información y Conocimiento (CIKM). |
| [12] | Bandyopadhyay, S., Vishal Vivek, S. y Murty, MN, 2020. Integración de la incrustación de redes y detección de atípicos comunitarios a través de la descripción del gráfico multiclase. Fronteras en inteligencia y aplicaciones artificiales, (FAIA). |
| [13] | Wang, X., Jin, B., Du, Y., Cui, P., Tan, Y. y Yang, Y., 2021. Redes neuronales gráficas de una clase para la detección de anomalías en redes atribuidas. Computación neural y aplicaciones. |
| [14] | Liu, Y., Li, Z., Pan, S., Gong, C., Zhou, C. y Karypis, G., 2021. Detección de anomalías en redes atribuidas a través del aprendizaje auto-supervisado contrastante. Transacciones IEEE en redes neuronales y sistemas de aprendizaje (TNNLS). |
| [15] | Yuan, X., Zhou, N., Yu, S., Huang, H., Chen, Z. y Xia, F., 2021, diciembre. Detección de anomalías basadas en estructura de orden superior en redes atribuidas. En 2021, la Conferencia Internacional IEEE sobre Big Data (Big Data). |
| [16] | Xu, Z., Huang, X., Zhao, Y., Dong, Y. y Li, J., 2022. Detección de anomalías de red atribuida contrastante con el aumento de datos. En Actas de la 26ª Conferencia del Pacífico-Asia sobre Discovery y Minería de datos (PAKDD). |
| [17] | Roy, A., Shu, J., Li, J., Yang, C., Elshocht, O., Smeets, J. y Li, P., 2024. Gad-Nr: detección de anomalías gráficas a través de la reconstrucción del vecindario. En Actas de la 17ª Conferencia Internacional de ACM sobre búsqueda en la web y minería de datos (WSDM). |
| [18] | Wang Y., Wang X., He C., Chen X., Luo Z., Duan L., Zuo J., 2024. Aprendizaje contrastante guiado por la comunidad con reconstrucción de anomalías para la detección de anomalías en redes atribuidas. Sistemas de bases de datos para aplicaciones avanzadas (DASFAA). |
