G OOD D

Good-D : 감독되지 않은 그래프에서 배포되지 않은 탐지

이것은 WSDM'23 용지의 소스 코드 "Good-D : 감독되지 않은 그래프에서 배포되지 않은 탐지"입니다.

요구 사항

이 코드에는 다음이 필요합니다.

• Python == 3.9
• Pytorch == 1.11.0
• Pytorch 기하학적 == 2.0.4
• Numpy == 1.21.2
• scikit-learn == 1.0.2
• OGB == 1.3.3
• 네트워크 == 2.7.1
• FAISS-GPU == 1.7.2

용법

원하는 실험 및 데이터 세트에 해당하는 스크립트를 실행하십시오. 예를 들어:

• BZR (ID) 및 COX2 (OOD) 데이터 세트에서 배포 감지 실행 :

 bash script/oodd_BZR+COX2.sh

• Proteins_full 데이터 세트에서 이상 탐지 실행 :

 bash script/ad_PROTEINS_full.sh

그래프 레벨 OOD 감지 벤치 마크 통계

벤치 마크에서 각 데이터 세트 쌍의 통계는 다음과 같이 제공됩니다.

	ID 데이터 세트				ood 데이터 세트
아니요.	이름	# 그래프 (기차/시험)	# 노드 (avg.)	# 가장자리 (avg.)	이름	# 그래프 (시험)	# 노드 (avg.)	# 가장자리 (avg.)
1	BZR	364/41	35.8	38.4	Cox2	41	41.2	43.5
2	PTC-MR	309/35	14.3	14.7	돌연변이	35	17.9	19.8
3	에이즈	1,800/200	15.7	16.2	DHFR	200	42.4	44.5
4	효소	540/60	32.6	62.1	단백질	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	사이더	784	33.6	35.4
7	Freesolv	577/65	8.7	8.4	독소 캐스트	65	18.8	19.3
8	BBBP	1,835/204	24.1	26.0	bace	204	34.1	36.9
9	클린 톡스	1,329/148	26.2	27.9	리포	148	27.0	29.5
10	ESOL	1,015/113	13.3	13.7	MUV	113	24.2	26.3

그래프 수준 이상 탐지 데이터 세트의 통계

이상 탐지 실험에서 각 데이터 세트의 통계는 다음과 같이 제공됩니다.

데이터 세트	# 그래프 (기차/시험)	# 노드 (avg.)	# 가장자리 (avg.)
단백질이 가득합니다	360/223	39.1	72.8
효소	400/120	32.6	62.1
에이즈	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
콜라 보	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

구현 세부 사항

하이퍼 파라미터

효율성을 위해 구조 인코딩 차원을 설정했습니다. $ d_s^{(rw)} $ 그리고 $ d_s^{(dg)} $ 에게 $ 16 $ . 인코더는 5 층 진입니다 $ 16 $ 숨겨진 치수. 투영 된 임베딩의 치수 수는 노드 임베딩 중 어느 것과 동일합니다. 배치 크기가 선택되었습니다 $ 16 $ 에게 $ 128 $ 데이터 세트의 그래프 크기에 따라 클러스터 수 $ k $ 및 자기 적응성 매개 변수 $ alpha $ 스코프와 함께 그리드 검색을 통해 선택됩니다 $ {2, 3, 5, 10, 15, 20, 30} $ 그리고 $ {0, 0.2, 0.4, 0.6, 0.8, 1.0} $ 각각. 이 모델은 Adam Optimizer가 학습 속도로 교육을받습니다. $ 0.0001 $ 수렴까지.

계산 인프라

우리는 Intel Xeon Gold 6226R CPU와 2 개의 Tesla V100S GPU를 사용하여 Linux 서버에서 실험을 수행합니다. 우리는 Pytorch 1.11.0 및 Pytorch 기하학적 2.0.4로 방법을 구현합니다.

인용문

이 작업의 측면을 비교, 구축 또는 사용하는 경우 다음을 인용하십시오.

 @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}
}