pygod
v1.1.0
Pygod เป็น ไลบรารี Python สำหรับ การตรวจจับกราฟที่ผิดปกติ (การตรวจจับความผิดปกติ) สาขาที่น่าตื่นเต้น แต่ท้าทายนี้มีแอพพลิเคชั่นสำคัญมากมายเช่นการตรวจจับกิจกรรมที่น่าสงสัยในเครือข่ายสังคมออนไลน์ [1] และระบบรักษาความปลอดภัย [2]
Pygod มีอัลกอริทึมการตรวจจับกราฟ กว่า 10+ เพื่อความสอดคล้องและการเข้าถึง Pygod ได้รับการพัฒนาบน Pytorch Geometric (PYG) และ Pytorch และติดตามการออกแบบ API ของ PYOD ดูตัวอย่างด้านล่างสำหรับการตรวจจับค่าผิดปกติด้วย Pygod ใน 5 บรรทัด!
Pygod เป็นจุดเด่นสำหรับ :
การตรวจจับค่าผิดปกติโดยใช้ Pygod ที่มีรหัส 5 บรรทัด :
# 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 )อ้างถึง Pygod :
กระดาษซอฟต์แวร์และกระดาษมาตรฐานของเรามีให้บริการต่อสาธารณะ หากคุณใช้ Pygod หรือ Bond ในสิ่งพิมพ์ทางวิทยาศาสตร์เราจะขอบคุณการอ้างอิงถึงเอกสารต่อไปนี้:
@article {jmlr: v25: 23-0963
ผู้แต่ง = {Kay Liu และ Yingtong Dou และ Xueying Ding และ Xiyang Hu และ Ruitong Zhang และ Hao Peng และ Lichao Sun และ Philip S. Yu}
title = {{pygod}: a {python} ไลบรารีสำหรับการตรวจจับกราฟ outlier},
วารสาร = {วารสารการวิจัยการเรียนรู้ของเครื่อง}
ปี = {2024}
volume = {25}
number = {141}
หน้า = {1--9}
url = {http://jmlr.org/papers/v25/23-0963.html}
-
@inproceedings {neurips2022_acc1ec4a,
ผู้แต่ง = {Liu, Kay และ Dou, Yingtong และ Zhao, Yue and Ding, Xueying และ Hu, Xiyang และ Zhang, Ruitong และ Ding, Kaize และ Chen, Canyu และ Peng, Hao และ Shu, Kai และ Sun, Lichao และ Li, Jundong
BookTitle = {ความก้าวหน้าในระบบการประมวลผลข้อมูลประสาท}
editor = {S. Koyejo และ S. Mohamed และ A. Agarwal และ D. Belgrave และ K. Cho และ A. Oh}
หน้า = {27021--27035}
Publisher = {Curran Associates, Inc. }
title = {{bond}: benchmarking การตรวจจับโหนด Outlier ที่ไม่ได้รับการตรวจสอบบนกราฟที่เกิดจากสแตติก}
url = {https://proceedings.neurips.cc/paper_files/paper/2022/file/acc1ec4a9c780006c9aafd595104816b-paper-datasets_and_benchmarks.pdf}
volume = {35}
ปี = {2022}
-
หรือ:
Liu, K. , Dou, Y. , Ding, X. , Hu, X. , Zhang, R. , Peng, H. , Sun, L. และ Yu, PS, 2024. Pygod: ห้องสมุด Python สำหรับการตรวจจับกราฟ วารสารการวิจัยการเรียนรู้ของเครื่อง, 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. และ Yu, PS, 2022 ความก้าวหน้าในระบบประมวลผลข้อมูลประสาท, 35, pp.27021-27035
หมายเหตุเกี่ยวกับการติดตั้ง Pyg และ Pytorch : Pygod ขึ้นอยู่กับ Torch และ Torch_geometric (รวมถึงการพึ่งพาตัวเลือก) เพื่อปรับปรุงการติดตั้ง Pygod ไม่ได้ ติดตั้งไลบรารีเหล่านี้ให้คุณ โปรดติดตั้งจากลิงค์ด้านบนสำหรับ Running Pygod:
ขอแนะนำให้ใช้ PIP สำหรับการติดตั้ง โปรดตรวจสอบให้แน่ใจว่ามีการติดตั้ง เวอร์ชันล่าสุด เนื่องจาก Pygod ได้รับการอัปเดตบ่อยครั้ง:
pip install pygod # normal install
pip install --upgrade pygod # or update if neededหรือคุณสามารถโคลนและเรียกใช้ไฟล์ setup.py:
git clone https://github.com/pygod-team/pygod.git
cd pygod
pip install .การพึ่งพาที่จำเป็น :
"การแนะนำสายฟ้าแลบ" แสดงให้เห็นถึง API พื้นฐานของ Pygod โดยใช้เครื่องตรวจจับที่โดดเด่น มีข้อสังเกตว่า API ในอัลกอริทึมอื่น ๆ ทั้งหมดมีความสอดคล้อง/คล้ายกัน
การอ้างอิง API เต็มรูปแบบ: (https://docs.pygod.org) API Cheatsheet สำหรับเครื่องตรวจจับทั้งหมด:
คุณลักษณะที่สำคัญของเครื่องตรวจจับที่ติดตั้ง:
อินพุตของ Pygod : โปรดส่งผ่านวัตถุข้อมูล PYG ดูตัวอย่างการประมวลผลข้อมูล PYG
| Abbr | ปี | กระดูกสันหลัง | การสุ่มตัวอย่าง | ผู้อ้างอิง |
|---|---|---|---|---|
| สแกน | 2550 | การจัดกลุ่ม | เลขที่ | [3] |
| Gae | ปี 2559 | gnn+ae | ใช่ | [4] |
| เรดาร์ | 2017 | MF | เลขที่ | [5] |
| ผิดปกติ | 2018 | MF | เลขที่ | [6] |
| หนึ่ง | 2019 | MF | เลขที่ | [7] |
| ที่เด่น | 2019 | gnn+ae | ใช่ | [8] |
| เสร็จแล้ว | 2020 | MLP+AE | ใช่ | [9] |
| ปรนเปรอ | 2020 | MLP+AE | ใช่ | [9] |
| ความผิดปกติ | 2020 | gnn+ae | ใช่ | [10] |
| ชาวเกรัน | 2020 | กาน | ใช่ | [11] |
| DMGD | 2020 | gnn+ae | ใช่ | [12] |
| ocgnn | 2021 | gnn | ใช่ | [13] |
| โคล่า | 2021 | GNN+AE+SSL | ใช่ | [14] |
| แนะนำ | 2021 | gnn+ae | ใช่ | [15] |
| เครื่องพ่น | 2022 | GNN+AE+SSL | ใช่ | [16] |
| คนโง่ | 2024 | gnn+ae | ใช่ | [17] |
| การ์ด | 2024 | GNN+SSL+AE | ใช่ | [18] |
คุณยินดีที่จะมีส่วนร่วมในโครงการที่น่าตื่นเต้นนี้:
ดูคู่มือการสนับสนุนสำหรับข้อมูลเพิ่มเติม
Pygod เป็นความพยายามของทีมที่ยอดเยี่ยมโดยนักวิจัยจาก UIC, IIT, Buaa, ASU และ CMU สมาชิกในทีมหลักของเรารวมถึง:
Kay Liu (UIC), Yingtong Dou (UIC), Yue Zhao (CMU), XUEYING DING (CMU), Xiyang Hu (CMU), Ruitong Zhang (Buaa), Kaize Ding (ASU), Canyu Chen (IIT)
ติดต่อเราโดยส่งรายงานปัญหาหรือส่งอีเมลไปที่ [email protected]
| [1] | Dou, Y. , Liu, Z. , Sun, L. , Deng, Y. , Peng, H. และ Yu, PS, 2020, ตุลาคม การปรับปรุงเครื่องตรวจจับการฉ้อโกงเครือข่ายประสาทกราฟกับผู้หลอกลวงที่พรางตัว ในการดำเนินการประชุมนานาชาติ ACM ครั้งที่ 29 เรื่องการจัดการข้อมูลและความรู้ (CIKM) |
| [2] | Cai, L. , Chen, Z. , Luo, C. , Gui, J. , Ni, J. , Li, D. และ Chen, H. , 2021, ตุลาคม โครงสร้างกราฟระบบประสาทชั่วคราวสำหรับการตรวจจับความผิดปกติในกราฟแบบไดนามิก ในการดำเนินการประชุมนานาชาติ ACM ครั้งที่ 30 เรื่องการจัดการข้อมูลและความรู้ (CIKM) |
| [3] | Xu, X. , Yuruk, N. , Feng, Z. และ Schweiger, TA, 2007, สิงหาคม การสแกน: อัลกอริทึมการจัดกลุ่มโครงสร้างสำหรับเครือข่าย ในการดำเนินการประชุมนานาชาติ ACM SIGKDD ครั้งที่ 13 เรื่องการค้นพบความรู้และการขุดข้อมูล (KDD) |
| [4] | KIPF, TN และ Welling, M. , 2016. การเข้ารหัสอัตโนมัติกราฟ Variational arxiv preprint arxiv: 1611.07308 |
| [5] | Li, J. , Dani, H. , Hu, X. และ Liu, H. , 2017, สิงหาคม เรดาร์: การวิเคราะห์ที่เหลือสำหรับการตรวจจับความผิดปกติในเครือข่าย ในการประชุมร่วมกันระหว่างประเทศยี่สิบหกเรื่องเกี่ยวกับปัญญาประดิษฐ์ (IJCAI) |
| [6] | Peng, Z. , Luo, M. , Li, J. , Liu, H. และ Zheng, Q. , 2018, กรกฎาคม ความผิดปกติ: วิธีการสร้างแบบจำลองร่วมสำหรับการตรวจจับความผิดปกติบนเครือข่าย ในการประชุมร่วมกันระหว่างประเทศยี่สิบเจ็ดเรื่องเกี่ยวกับปัญญาประดิษฐ์ (IJCAI) |
| [7] | Bandyopadhyay, S. , Lokesh, N. และ Murty, MN, 2019, กรกฎาคม Outlier Aware Network Embedding สำหรับเครือข่ายที่นำมาใช้ ในการประชุม AAAI เกี่ยวกับปัญญาประดิษฐ์ (AAAI) |
| [8] | Ding, K. , Li, J. , Bhanushali, R. และ Liu, H. , 2019, พฤษภาคม การตรวจจับความผิดปกติลึกบนเครือข่ายที่มาจาก ในการดำเนินการประชุมนานาชาติ SIAM เกี่ยวกับการขุดข้อมูล (SDM) |
| [9] | (1, 2) Bandyopadhyay, S. , Vivek, SV และ Murty, MN, 2020, มกราคม สถาปัตยกรรมลึกที่ไม่ได้รับการรักษาที่ไม่ได้รับการรักษาสำหรับการฝังเครือข่ายที่นำมาใช้ ในการประชุมนานาชาติเกี่ยวกับการค้นหาเว็บและการขุดข้อมูล (WSDM) |
| [10] | Fan, H. , Zhang, F. และ Li, Z. , 2020, พฤษภาคม Anomalydae: Dual Autoencoder สำหรับการตรวจจับความผิดปกติบนเครือข่ายที่มาจาก ในการดำเนินการของการประชุมนานาชาติ IEEE เรื่องอคูสติก, การพูดและการประมวลผลสัญญาณ (ICASSP) |
| [11] | Chen, Z. , Liu, B. , Wang, M. , Dai, P. , Lv, J. และ Bo, L. , 2020, ตุลาคม การตรวจจับความผิดปกติของเครือข่ายที่เกิดจากการตรวจจับความผิดปกติของเครือข่าย ในการดำเนินการประชุมนานาชาติ ACM ครั้งที่ 29 เรื่องการจัดการข้อมูลและความรู้ (CIKM) |
| [12] | Bandyopadhyay, S. , Vishal Vivek, S. และ Murty, MN, 2020. การรวมเครือข่ายการฝังและการตรวจจับชุมชนผ่านการตรวจจับความผิดปกติผ่านคำอธิบายกราฟหลายระดับ พรมแดนในปัญญาประดิษฐ์และแอพพลิเคชั่น (FAIA) |
| [13] | Wang, X. , Jin, B. , Du, Y. , Cui, P. , Tan, Y. และ Yang, Y. , 2021. เครือข่ายประสาทแบบหนึ่งคลาสสำหรับการตรวจจับความผิดปกติในเครือข่าย การคำนวณและแอปพลิเคชันประสาท |
| [14] | Liu, Y. , Li, Z. , Pan, S. , Gong, C. , Zhou, C. และ Karypis, G. , 2021. การตรวจจับความผิดปกติในเครือข่ายที่เกิดจากการเรียนรู้ที่มีการดูแลตนเอง การทำธุรกรรม IEEE บนเครือข่ายประสาทและระบบการเรียนรู้ (TNNLS) |
| [15] | Yuan, X. , Zhou, N. , Yu, S. , Huang, H. , Chen, Z. และ Xia, F. , 2021, ธันวาคม การตรวจจับความผิดปกติตามโครงสร้างที่สูงขึ้นบนเครือข่าย ในปี 2021 การประชุมนานาชาติ IEEE เกี่ยวกับ Big Data (Big Data) |
| [16] | Xu, Z. , Huang, X. , Zhao, Y. , Dong, Y. , และ Li, J. , 2022. การตรวจจับความผิดปกติของเครือข่ายที่มีความคมชัดด้วยการเพิ่มข้อมูล ในการประชุมครั้งที่ 26 แปซิฟิก-เอเชียเกี่ยวกับการค้นพบความรู้และการขุดข้อมูล (PAKDD) |
| [17] | Roy, A. , Shu, J. , Li, J. , Yang, C. , Elshocht, O. , Smeets, J. และ Li, P. , 2024. GAD-NR: การตรวจจับความผิดปกติของกราฟผ่านการสร้างพื้นที่ใกล้เคียง ในการประชุมนานาชาติครั้งที่ 17 ACM การค้นหาเว็บและการขุดข้อมูล (WSDM) |
| [18] | Wang Y. , Wang X. , He C. , Chen X. , Luo Z. , Duan L. , Zuo J. , 2024. การเรียนรู้ที่แตกต่างจากชุมชนด้วยการสร้างความแตกต่างระหว่างชุมชนด้วยการสร้างใหม่ที่มีความผิดปกติสำหรับการตรวจจับความผิดปกติบนเครือข่าย ระบบฐานข้อมูลสำหรับแอปพลิเคชันขั้นสูง (DASFAA) |
