G OOD D

Good-D: на неконтролируемом графике обнаружение распределения

Это исходный код WSDM'23 Paper «Good-D: на неконтролируемом графике обнаружения на распределении».

Требования

Этот код требует следующего:

• Python == 3.9
• Pytorch == 1.11.0
• Pytorch Geometric == 2.0.4
• Numpy == 1.21.2
• Scikit-learn == 1.0.2
• OGB == 1.3.3
• Networkx == 2.7.1
• Faiss-gpu == 1.7.2

Использование

Просто запустите сценарий, соответствующий эксперименту и набору данных, который вы хотите. Например:

• Запустить обнаружение на приезде наборов данных на наборах данных BZR (ID) и COX2 (OOD):

 bash script/oodd_BZR+COX2.sh

• Запустите обнаружение аномалий на наборах данных Broteins_full:

 bash script/ad_PROTEINS_full.sh

Статистика эталона обнаружения на уровне графика

Статистика каждой пары наборов данных в нашем этаже предоставляется следующим образом.

	Набор данных ID				Набор данных OOD
Нет.	Имя	# График (Поезд/тест)	# Узел (Avg.)	# Край (Avg.)	Имя	# График (Тест)	# Узел (Avg.)	# Край (Avg.)
1	Бзр	364/41	35,8	38.4	Cox2	41	41.2	43,5
2	PTC-MR	309/35	14.3	14.7	Мутаг	35	17.9	19.8
3	СПИД	1800/200	15.7	16.2	DHFR	200	42.4	44,5
4	Ферменты	540/60	32,6	62.1	Белок	60	39.1	72,8
5	IMDB-B	1350/150	19.8	96.5	IMDB-M	150	13.0	65,9
6	Tox21	7 047/784	18.6	19.3	Сидер	784	33,6	35,4
7	Freesolv	577/65	8.7	8.4	Toxcast	65	18.8	19.3
8	BBBP	1835/204	24.1	26.0	Бейс	204	34.1	36.9
9	Клинтокс	1329/148	26.2	27,9	Липо	148	27.0	29,5
10	Эзол	1 015/113	13.3	13.7	Мюв	113	24.2	26.3

Статистика наборов данных об обнаружении аномалий на уровне графика

Статистика каждого набора данных в экспериментах по обнаружению аномалий предоставляется следующим образом.

Набор данных	# График (Поезд/тест)	# Узел (Avg.)	# Край (Avg.)
Белки	360/223	39.1	72,8
Ферменты	400/120	32,6	62.1
СПИД	1280/400	15.7	16.2
DHFR	368/152	42.4	44,5
Бзр	69/81	35,8	38.4
Cox2	81/94	41.2	43,5
Дд	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
Коллаб	1920/1000	74,5	2457.8
ГОС	423/267	16.9	17.2
Ммп	6170/238	17.6	18.0
P53	8088/269	17.9	18.3
PPAR-гамма	219/267	17.4	17.7

Детали реализации

Гиперпараметры

Для эффективности мы устанавливаем структурные измерения кодирования $ d_s^{(rw)} $ и $ d_s^{(dg)} $ к $ 16 $ Полем Кодеры-5-слойные джины с $ 16 $ Скрытые измерения. Количество аспектов прогнозируемых встраиваний такое же, как и у узлов. Размер партии выбран из $ 16 $ к $ 128 $ в соответствии с размером наборов данных. Количество кластеров $ K $ и параметр самосознания $ alpha $ выбираются с помощью поиска сетки, с областями $ {2, 3, 5, 10, 15, 20, 30} $ и $ {0, 0,2, 0,4, 0,6, 0,8, 1,0} $ , соответственно. Модель обучена оптимизатором Адама с скоростью обучения $ 0,0001 $ пока не сходится.

Компьютерная инфраструктура

Мы проводим эксперименты на сервере Linux с процессором Intel Xeon Gold 6226R и двумя графическими процессорами Tesla V100S. Мы реализуем наш метод с Pytorch 1.11.0 и Pytorch Geometric 2.0.4.

Цитировать

Если вы сравниваете, наращите или используете аспекты этой работы, пожалуйста, укажите следующее:

 @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}
}