G OOD D

好D：在无监督的图表上分布式检测

这是WSDM'23纸的源代码“ good-d：在无监督的图形上分布式检测”中。

要求

此代码需要以下内容：

• python == 3.9
• pytorch == 1.11.0
• Pytorch几何== 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

用法

只需运行与您想要的实验和数据集相对应的脚本。例如：

• 在BZR（ID）和COX2（OOD）数据集上运行分布检测：

 bash script/oodd_BZR+COX2.sh

• 在proteins_full数据集上运行异常检测：

 bash script/ad_PROTEINS_full.sh

图级OOD检测基准的统计量

我们的基准测试中每个数据集对的统计量如下提供。

	ID数据集				OOD数据集
不。	姓名	＃图 （火车/测试）	＃节点 （公平）	＃ 边缘 （公平）	姓名	＃图 （测试）	＃节点 （公平）	＃ 边缘 （公平）
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	艾滋病	1,800/200	15.7	16.2	DHFR	200	42.4	44.5
4	酶	540/60	32.6	62.1	蛋白质	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	sider	784	33.6	35.4
7	Freesolv	577/65	8.7	8.4	toxcast	65	18.8	19.3
8	BBBP	1,835/204	24.1	26.0	贝丝	204	34.1	36.9
9	克林托克斯	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

图形异常检测数据集的统计量

在异常检测实验中，每个数据集的统计量如下提供。

数据集	＃图 （火车/测试）	＃节点 （公平）	＃ 边缘 （公平）
蛋白质满	360/223	39.1	72.8
酶	400/120	32.6	62.1
艾滋病	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
合作	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

实施详细信息

超参数

为了效率，我们设置了结构编码维度 $ D_S^{（RW）} $和 $ d_s^{（dg）} $到 $ 16 $ 。编码器是5层杜松子酒 $ 16 $隐藏的尺寸。投影嵌入的尺寸的数量与哪个节点嵌入相同。批处理大小是从中选择的 $ 16 $到 $ 128 $根据数据集的图形大小。集群数量 $ k $和自适应性参数 $ alpha $通过网格搜索选择 $ {2、3、5、10、15、20、30} $和 $ {0、0.2、0.4、0.6、0.8、1.0} $ ， 分别。该模型由Adam Optimizer培训，学习率 $ 0.0001 $直到收敛。

计算基础架构

我们在Linux服务器上使用Intel Xeon Gold 6226R CPU和两个Tesla V100 gpus进行实验。我们使用Pytorch 1.11.0和Pytorch几何2.0.4实现我们的方法。

引用

如果您将其比较，构建或使用本工作的各个方面，请引用以下内容：

 @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}
}