G OOD D

Good-D: ในการตรวจจับกราฟที่ไม่ได้รับการตรวจจับ

นี่คือซอร์สโค้ดของ WSDM'23 PAPER "Good-D: บนกราฟที่ไม่ได้รับการตรวจจับการแจกจ่าย"

ความต้องการ

รหัสนี้ต้องการสิ่งต่อไปนี้:

• 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

การใช้งาน

เพียงเรียกใช้สคริปต์ที่สอดคล้องกับชุดทดสอบและชุดข้อมูลที่คุณต้องการ ตัวอย่างเช่น:

• การตรวจจับการกระจายออกจากการแจกจ่ายบนชุดข้อมูล BZR (ID) และ COX2 (OOD):

 bash script/oodd_BZR+COX2.sh

• เรียกใช้การตรวจจับความผิดปกติบนชุดข้อมูล Proteins_Full:

 bash script/ad_PROTEINS_full.sh

สถิติของเกณฑ์มาตรฐานการตรวจจับกราฟระดับกราฟ

สถิติของชุดข้อมูลแต่ละชุดในเกณฑ์มาตรฐานของเรามีดังนี้

	ชุดข้อมูล id				ชุดข้อมูล OOD
เลขที่	ชื่อ	# กราฟ (รถไฟ/ทดสอบ)	# โหนด (avg.)	# ขอบ (avg.)	ชื่อ	# กราฟ (ทดสอบ)	# โหนด (avg.)	# ขอบ (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	เอดส์	1,800/200	15.7	16.2	DHFR	200	42.4	44.5
4	เอนไซม์	540/60	32.6	62.1	โปรตีน	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	คนเดินผ่าน	784	33.6	35.4
7	Freesolv	577/65	8.7	8.4	สารพิษ	65	18.8	19.3
8	BBBP	1,835/204	24.1	26.0	คนอื่น ๆ	204	34.1	36.9
9	คลินท็อกซ์	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

สถิติของชุดข้อมูลการตรวจจับความผิดปกติของกราฟระดับ

สถิติของแต่ละชุดข้อมูลในการทดลองตรวจจับความผิดปกติมีให้ดังนี้

ชุดข้อมูล	# กราฟ (รถไฟ/ทดสอบ)	# โหนด (avg.)	# ขอบ (avg.)
โปรตีน-เต็ม	360/223	39.1	72.8
เอนไซม์	400/120	32.6	62.1
เอดส์	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
ร่วมกัน	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

รายละเอียดการใช้งาน

พารามิเตอร์ไฮเปอร์

เพื่อประสิทธิภาพเราตั้งค่ามิติการเข้ารหัสโครงสร้าง $ d_s^{(rw)} $ และ $ d_s^{(dg)} $ ถึง $ 16 $ - ตัวเข้ารหัสเป็น 5 ชั้น gins ด้วย $ 16 $ มิติที่ซ่อนอยู่ จำนวนขนาดของการฝังที่คาดการณ์ไว้เหมือนกับการฝังโหนดใด ขนาดแบทช์ถูกเลือกจาก $ 16 $ ถึง $ 128 $ ตามขนาดกราฟของชุดข้อมูล จำนวนกลุ่ม $ k $ และพารามิเตอร์การปรับตัวด้วยตนเอง $ alpha $ ถูกเลือกผ่านการค้นหากริดด้วยขอบเขตของ $ {2, 3, 5, 10, 15, 20, 30} $ และ $ {0, 0.2, 0.4, 0.6, 0.8, 1.0} $ ตามลำดับ โมเดลได้รับการฝึกฝนโดย Adam Optimizer ด้วยอัตราการเรียนรู้ของ $ 0.0001 $ จนกว่าจะมาบรรจบกัน

โครงสร้างพื้นฐานการคำนวณ

เราทำการทดลองบนเซิร์ฟเวอร์ Linux ด้วย CPU Intel Xeon Gold 6226R และ GPU Tesla V100S สองตัว เราใช้วิธีการของเราด้วย Pytorch 1.11.0 และ Pytorch Geometric 2.0.4

อ้างถึง

หากคุณเปรียบเทียบสร้างหรือใช้แง่มุมของงานนี้โปรดอ้างอิงสิ่งต่อไปนี้:

 @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}
}