G OOD D

好D：在無監督的圖表上分佈式檢測

這是WSDM'23紙的源代碼“ good-d：在無監督的圖形上分佈式檢測”中。

要求

此代碼需要以下內容：

• python == 3.9
• pytorch == 1.11.0
• Pytorch幾何== 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

只需運行與您想要的實驗和數據集相對應的腳本。例如：

• 在BZR（ID）和COX2（OOD）數據集上運行分佈檢測：

 bash script/oodd_BZR+COX2.sh

• 在proteins_full數據集上運行異常檢測：

 bash script/ad_PROTEINS_full.sh

圖級OOD檢測基準的統計量

我們的基準測試中每個數據集對的統計量如下提供。

	ID數據集				OOD數據集
不。	姓名	＃圖 （火車/測試）	＃節點 （公平）	＃ 邊緣 （公平）	姓名	＃圖 （測試）	＃節點 （公平）	＃ 邊緣 （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	愛滋病	1,800/200	15.7	16.2	DHFR	200	42.4	44.5
4	酶	540/60	32.6	62.1	蛋白質	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	貝絲	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

圖形異常檢測數據集的統計量

在異常檢測實驗中，每個數據集的統計量如下提供。

數據集	＃圖 （火車/測試）	＃節點 （公平）	＃ 邊緣 （公平）
蛋白質滿	360/223	39.1	72.8
酶	400/120	32.6	62.1
愛滋病	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

實施詳細信息

超參數

為了效率，我們設置了結構編碼維度 $ D_S^{（RW）} $和 $ d_s^{（dg）} $到 $ 16 $ 。編碼器是5層杜松子酒 $ 16 $隱藏的尺寸。投影嵌入的尺寸的數量與哪個節點嵌入相同。批處理大小是從中選擇的 $ 16 $到 $ 128 $根據數據集的圖形大小。集群數量 $ k $和自適應性參數 $ alpha $通過網格搜索選擇 $ {2、3、5、10、15、20、30} $和 $ {0、0.2、0.4、0.6、0.8、1.0} $ ， 分別。該模型由Adam Optimizer培訓，學習率 $ 0.0001 $直到收斂。

計算基礎架構

我們在Linux服務器上使用Intel Xeon Gold 6226R CPU和兩個Tesla V100 gpus進行實驗。我們使用Pytorch 1.11.0和Pytorch幾何2.0.4實現我們的方法。

引用

如果您將其比較，構建或使用本工作的各個方面，請引用以下內容：

 @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}
}