pygod下载 - pygod源代码下载

pygod

Python

v1.1.0

下载

Pygod是用于图形离群值检测（异常检测）的Python库。这个令人兴奋但具有挑战性的领域具有许多关键应用程序，例如，检测社交网络中的可疑活动[1]和安全系统[2]。

Pygod包括10+图离群值检测算法。为了保持一致性和可及性，Pygod是在Pytorch几何（Pyg）和Pytorch上开发的，并遵循PYOD的API设计。请参阅下面的示例，以在5行中检测使用Pygod的离群值！

Pygod的特色是：

统一的API，详细的文档和各种基于图的算法的交互式示例。
10+图形离群值检测器的全面覆盖范围。
在多个级别（例如节点，边缘和图形级任务）上对检测的全面支持。
可扩展的设计，用于通过迷你批次和采样处理大图。
用PYG简化数据处理- 与PYG数据对象兼容。

使用Pygod具有5行代码的pygod检测：

 # 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 )

引用pygod ：

我们的软件纸和基准纸公开可用。如果您在科学出版物中使用Pygod或Bond，我们将感谢以下论文：

 @Article {JMLR：V25：23-0963，
  作者= {Kay Liu和Yingtong Dou和Xueying Ding，Xiyang Hu和Ruitong Zhang和Hao Peng和Lichao Sun和Philip S. Yu}，
  title = {{{pygod}：{python}图库库离值检测}，
  日记= {机器学习研究期刊}，
  年= {2024}，
  音量= {25}，
  数字= {141}，
  页= {1--9}，
  url = {http://jmlr.org/papers/v25/23-0963.html}
}
@inproceedings {neurips2022_acc1ec4a，
 author = {Liu, Kay and Dou, Yingtong and Zhao, Yue and Ding, Xueying and Hu, Xiyang and Zhang, Ruitong and Ding, Kaize and Chen, Canyu and Peng, Hao and Shu, Kai and Sun, Lichao and Li, Jundong and Chen, George H and Jia, Zhihao and Yu, Philip S},
 booktitle = {神经信息处理系统的进步}，
 编辑器= {S。 Koyejo和S. Mohamed和A. Agarwal和D. Belgrave和K. Cho和A. Oh}，
 页= {27021--27035}，
 Publisher = {Curran Associates，Inc。}，
 title = {{bond}：基准在静态属性图上进行无监督的离群节点检测}，
 url = {https://proceedings.neurips.cc/paper_files/paper/2022/file/acc1ec4a9c780006c9aaf595104816b-paper-datasets_and_and_benchmarkss.pdf}，
 音量= {35}，
 年= {2022}
}

或者：

 Liu，K.，Dou，Y.，Ding，X.，Hu，X.，Zhang，R.，Peng，H.，Sun，L。和Yu，PS，2024。Pygod：Python图书馆图库以用于图形外相可值检测。机器学习研究杂志，25（141），第1-9页。
Liu，K.，Dou，Y.，Zhao，Y.，ding，X.，Hu，X.，Zhang，R.，Ding，K.，Chen，C.，Peng，Peng，H.，Shu，Shu，Shu，K.，Sun，L.神经信息处理系统的进展，第35页，第27021-27035页。

安装

关于PYG和Pytorch安装的注意：Pygod取决于Torch和Torch__eemetric（包括其可选依赖项）。为了简化安装，Pygod不会为您安装这些库。请从上述链接中安装它们以进行运行Pygod：

火炬> = 2.0.0
TORCH__EMOTER> = 2.3.0

建议使用PIP安装。请确保安装了最新版本，因为Pygod经常更新：

pip install pygod            # normal install
pip install --upgrade pygod  # or update if needed

另外，您可以克隆并运行设置。PY文件：

git clone https://github.com/pygod-team/pygod.git
cd pygod
pip install .

所需的依赖项：

python> = 3.8
numpy> = 1.24.3
Scikit-learn> = 1.2.2
Scipy> = 1.10.1
NetworkX> = 3.1

快速启动Pygod的离群值检测

“闪电战简介”使用显性检测器展示了Pygod的基本API。注意到，所有其他算法的API一致/相似。

API作弊表和参考

完整的API参考：（ https：//docs.pygod.org）。所有检测器的API作弊表：

拟合（数据） ：使用火车数据拟合检测器。
预测（数据） ：使用拟合检测器预测测试数据（如果不提供的训练数据）。

拟合检测器的关键属性：

Deciest_score_ ：输入数据的离群值分数。离群值往往得分更高。
标签_ ：输入数据的二进制标签。 0代表Inliers，1代表异常值。
阈值_ ：二进制分类的确定阈值。高于阈值的分数是异常值。

PYGOD的输入：请传递PYG数据对象。请参阅PYG数据处理示例。

实施算法

abbr	年	骨干	采样	参考
扫描	2007	聚类	不	[3]
GAE	2016	GNN+AE	是的	[4]
雷达	2017	MF	不	[5]
异常	2018	MF	不	[6]
一	2019	MF	不	[7]
主导的	2019	GNN+AE	是的	[8]
完毕	2020	MLP+AE	是的	[9]
Adone	2020	MLP+AE	是的	[9]
动物分析	2020	GNN+AE	是的	[10]
盖恩	2020	甘	是的	[11]
DMGD	2020	GNN+AE	是的	[12]
OCGNN	2021	Gnn	是的	[13]
可乐	2021	GNN+AE+SSL	是的	[14]
指导	2021	GNN+AE	是的	[15]
科	2022	GNN+AE+SSL	是的	[16]
gadnr	2024	GNN+AE	是的	[17]
卡片	2024	GNN+SSL+AE	是的	[18]

如何贡献

欢迎您为这个令人兴奋的项目做出贡献：

有关更多信息，请参见贡献指南。

Pygod团队

Pygod是UIC，IIT，BUAA，ASU和CMU的研究人员的伟大团队努力。我们的核心团队成员包括：

Kay Liu（UIC），Yingtong Dou（UIC），Yue Zhao（CMU），Xueying ding（CMU），Xiyang Hu（CMU），Ruitong Zhang（Buaa），Kaize ding（ASU），Canyu Chen（IIT），（IIT），（IIT），（IIT），（IIT），（IIT），（IIT），，（IIT），，

通过提交发行报告或发送电子邮件至[email protected]与我们联系。

参考

[1]	Dou，Y.，Liu，Z.，Sun，L.，Deng，Y.，Peng，H。和Yu，PS，2020年，10月。增强针对伪装欺诈者的基于图形神经网络的欺诈探测器。在第29届ACM国际信息与知识管理会议论文集（CIKM）。

[2]	Cai，L.，Chen，Z.，Luo，C.，Gui，J.，Ni，J.，Li，D。和Chen，H.，2021年，10月。在动态图中用于异常检测的结构时间图神经网络。在第30届ACM国际信息与知识管理会议论文集（CIKM）。

[3]	Xu，X.，Yuruk，N.，Feng，Z。和Schweiger，TA，2007年8月。扫描：网络的结构聚类算法。在第13届ACM SIGKDD国际知识发现与数据挖掘（KDD）的会议录中。

[4]	KIPF，TN和Welling，M.，2016年。变分图自动编码器。 ARXIV预印型ARXIV：1611.07308。

[5]	Li，J.，Dani，H.，Hu，X。和Liu，H.，2017年8月。雷达：归因网络中异常检测的剩余分析。在第26届国际人工智能会议（IJCAI）会议录中。

[6]	Peng，Z.，Luo，M.，Li，J.，Liu，H。和Zheng，Q.，2018年7月。异常：用于归因网络异常检测的联合建模方法。在第27届国际人工智能联合会议（IJCAI）的会议录中。

[7]	Bandyopadhyay，S.，Lokesh，N。和Murty，MN，2019年7月。归因网络的离群值嵌入网络嵌入。在AAAI人工智能会议（AAAI）会议录中。

[8]	Ding，K.，Li，J.，Bhanushali，R。和Liu，H.，2019年5月。对归因网络的深度异常检测。在暹罗国际数据挖掘会议论文集（SDM）。

[9]	（1，2） Bandyopadhyay，S。，Vivek，SV和Murty，明尼苏达州，2020年，一月。用于归因网络嵌入的外部抗抗性无监督的深度体系结构。在国际网络搜索和数据挖掘（WSDM）国际会议上。

[10]	Fan，H.，Zhang，F。和Li，Z.，2020年5月。 Anomalydae：用于归因网络异常检测的双自动编码器。在IEEE国际声学，言语和信号处理（ICASSP）的国际会议上。

[11]	Chen，Z.，Liu，B.，Wang，M.，Dai，P.，LV，J。和Bo，L.，2020年，10月。生成对手归因于网络异常检测。在第29届ACM国际信息与知识管理会议论文集（CIKM）。

[12]	Bandyopadhyay，S.，Vishal Vivek，S。和Murty，MN，2020年。通过多类图形描述整合网络嵌入和社区异常值检测。人工智能和应用的前沿（FAIA）。

[13]	Wang，X.，Jin，B.，Du，Y.，Cui，P.，Tan，Y。和Yang，Y.，2021。属性网络中用于异常检测的一级图神经网络。神经计算和应用。

[14]	Liu，Y.，Li，Z.，Pan，S.，Gong，C。，Zhou，C。和Karypis，G.，2021。通过对比的自我监督学习对归因网络的异常检测。 IEEE神经网络和学习系统（TNNL）的交易。

[15]	Yuan，X.，Zhou，N.，Yu，S.，Huang，H.，Chen，Z。和Xia，F.，2021年，12月。基于归因网络的基于高阶结构的异常检测。在2021年，IEEE国际大数据会议（大数据）。

[16]	Xu，Z.，Huang，X.，Zhao，Y.，Dong，Y。和Li，J.，2022。与数据增强的对比归因于网络异常检测。在第26届太平洋 - 亚洲知识发现与数据挖掘会议（PAKDD）的会议录中。

[17]	罗伊（Roy）在第17届ACM Web搜索和数据挖掘（WSDM）的ACM国际会议论文集。

[18]	Wang Y.，Wang X.，He C.，Chen X.，Luo Z.，Duan L.，Zuo J.，2024年。社区引导的对比度学习，具有异常觉醒的重建，以对归因网络进行异常检测。高级应用程序的数据库系统（DASFAA）。

展开

附加信息