pygod下載 - pygod源代碼下載

pygod

Python

v1.1.0

下載

Pygod是用於圖形離群值檢測（異常檢測）的Python庫。這個令人興奮但具有挑戰性的領域具有許多關鍵應用程序，例如，檢測社交網絡中的可疑活動[1]和安全系統[2]。

Pygod包括10+圖離群值檢測算法。為了保持一致性和可及性，Pygod是在Pytorch幾何（Pyg）和Pytorch上開發的，並遵循PYOD的API設計。請參閱下面的示例，以在5行中檢測使用Pygod的離群值！

Pygod的特色是：

統一的API，詳細的文檔和各種基於圖的算法的交互式示例。
10+圖形離群值檢測器的全面覆蓋範圍。
在多個級別（例如節點，邊緣和圖形級任務）上對檢測的全面支持。
可擴展的設計，用於通過迷你批次和採樣處理大圖。
用PYG簡化數據處理- 與PYG數據對象兼容。

使用Pygod具有5行代碼的pygod檢測：

 # 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 ：

我們的軟件紙和基準紙公開可用。如果您在科學出版物中使用Pygod或Bond，我們將感謝以下論文：

 @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}圖庫庫離值檢測}，
  日記= {機器學習研究期刊}，
  年= {2024}，
  音量= {25}，
  數字= {141}，
  頁= {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 = {神經信息處理系統的進步}，
 編輯器= {S。 Koyejo和S. Mohamed和A. Agarwal和D. Belgrave和K. Cho和A. Oh}，
 頁= {27021--27035}，
 Publisher = {Curran Associates，Inc。 }，
 title = {{bond}：基准在靜態屬性圖上進行無監督的離群節點檢測}，
 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圖書館圖庫以用於圖形外相可值檢測。機器學習研究雜誌，25（141），第1-9頁。
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.神經信息處理系統的進展，第35頁，第27021-27035頁。

安裝

關於PYG和Pytorch安裝的注意：Pygod取決於Torch和Torch__eemetric（包括其可選依賴項）。為了簡化安裝，Pygod不會為您安裝這些庫。請從上述鏈接中安裝它們以進行運行Pygod：

火炬> = 2.0.0
TORCH__EMOTER> = 2.3.0

建議使用PIP安裝。請確保安裝了最新版本，因為Pygod經常更新：

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

另外，您可以克隆並運行設置。 PY文件：

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

所需的依賴項：

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

快速啟動Pygod的離群值檢測

“閃電戰簡介”使用顯性檢測器展示了Pygod的基本API。注意到，所有其他算法的API一致/相似。

API作弊表和參考

完整的API參考：（ https：//docs.pygod.org）。所有檢測器的API作弊表：

擬合（數據） ：使用火車數據擬合檢測器。
預測（數據） ：使用擬合檢測器預測測試數據（如果不提供的訓練數據）。

擬合檢測器的關鍵屬性：

Deciest_score_ ：輸入數據的離群值分數。離群值往往得分更高。
標籤_ ：輸入數據的二進制標籤。 0代表Inliers，1代表異常值。
閾值_ ：二進制分類的確定閾值。高於閾值的分數是異常值。

PYGOD的輸入：請傳遞PYG數據對象。請參閱PYG數據處理示例。

實施算法

abbr	年	骨幹	採樣	參考
掃描	2007	聚類	不	[3]
GAE	2016	GNN+AE	是的	[4]
雷達	2017	MF	不	[5]
異常	2018	MF	不	[6]
一	2019	MF	不	[7]
主導的	2019	GNN+AE	是的	[8]
完畢	2020	MLP+AE	是的	[9]
Adone	2020	MLP+AE	是的	[9]
動物分析	2020	GNN+AE	是的	[10]
蓋恩	2020	甘	是的	[11]
DMGD	2020	GNN+AE	是的	[12]
OCGNN	2021	Gnn	是的	[13]
可樂	2021	GNN+AE+SSL	是的	[14]
指導	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]

如何貢獻

歡迎您為這個令人興奮的項目做出貢獻：

有關更多信息，請參見貢獻指南。

Pygod團隊

Pygod是UIC，IIT，BUAA，ASU和CMU的研究人員的偉大團隊努力。我們的核心團隊成員包括：

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），，

通過提交發行報告或發送電子郵件至[email protected]與我們聯繫。

參考

[1]	Dou，Y.，Liu，Z.，Sun，L.，Deng，Y.，Peng，H。和Yu，PS，2020年，10月。增強針對偽裝欺詐者的基於圖形神經網絡的欺詐探測器。在第29屆ACM國際信息與知識管理會議論文集（CIKM）。

[2]	Cai，L.，Chen，Z.，Luo，C.，Gui，J.，Ni，J.，Li，D。和Chen，H.，2021年，10月。在動態圖中用於異常檢測的結構時間圖神經網絡。在第30屆ACM國際信息與知識管理會議論文集（CIKM）。

[3]	Xu，X.，Yuruk，N.，Feng，Z。和Schweiger，TA，2007年8月。掃描：網絡的結構聚類算法。在第13屆ACM SIGKDD國際知識發現與數據挖掘（KDD）的會議錄中。

[4]	KIPF，TN和Welling，M.，2016年。變分圖自動編碼器。 ARXIV預印型ARXIV：1611.07308。

[5]	Li，J.，Dani，H.，Hu，X。和Liu，H.，2017年8月。雷達：歸因網絡中異常檢測的剩餘分析。在第26屆國際人工智能會議（IJCAI）會議錄中。

[6]	Peng，Z.，Luo，M.，Li，J.，Liu，H。和Zheng，Q.，2018年7月。異常：用於歸因網絡異常檢測的聯合建模方法。在第27屆國際人工智能聯合會議（IJCAI）的會議錄中。

[7]	Bandyopadhyay，S.，Lokesh，N。和Murty，MN，2019年7月。歸因網絡的離群值嵌入網絡嵌入。在AAAI人工智能會議（AAAI）會議錄中。

[8]	Ding，K.，Li，J.，Bhanushali，R。和Liu，H.，2019年5月。對歸因網絡的深度異常檢測。在暹羅國際數據挖掘會議論文集（SDM）。

[9]	（1，2） Bandyopadhyay，S。，Vivek，SV和Murty，明尼蘇達州，2020年，一月。用於歸因網絡嵌入的外部抗抗性無監督的深度體系結構。在國際網絡搜索和數據挖掘（WSDM）國際會議上。

[10]	Fan，H.，Zhang，F。和Li，Z.，2020年5月。 Anomalydae：用於歸因網絡異常檢測的雙自動編碼器。在IEEE國際聲學，言語和信號處理（ICASSP）的國際會議上。

[11]	Chen，Z.，Liu，B.，Wang，M.，Dai，P.，LV，J。和Bo，L.，2020年，10月。生成對手歸因於網絡異常檢測。在第29屆ACM國際信息與知識管理會議論文集（CIKM）。

[12]	Bandyopadhyay，S.，Vishal Vivek，S。和Murty，MN，2020年。通過多類圖形描述整合網絡嵌入和社區異常值檢測。人工智能和應用的前沿（FAIA）。

[13]	Wang，X.，Jin，B.，Du，Y.，Cui，P.，Tan，Y。和Yang，Y.，2021。屬性網絡中用於異常檢測的一級圖神經網絡。神經計算和應用。

[14]	Liu，Y.，Li，Z.，Pan，S.，Gong，C。，Zhou，C。和Karypis，G.，2021。通過對比的自我監督學習對歸因網絡的異常檢測。 IEEE神經網絡和學習系統（TNNL）的交易。

[15]	Yuan，X.，Zhou，N.，Yu，S.，Huang，H.，Chen，Z。和Xia，F.，2021年，12月。基於歸因網絡的基於高階結構的異常檢測。在2021年，IEEE國際大數據會議（大數據）。

[16]	Xu，Z.，Huang，X.，Zhao，Y.，Dong，Y。和Li，J.，2022。與數據增強的對比歸因於網絡異常檢測。在第26屆太平洋 - 亞洲知識發現與數據挖掘會議（PAKDD）的會議錄中。

[17]	羅伊（Roy）在第17屆ACM Web搜索和數據挖掘（WSDM）的ACM國際會議論文集。

[18]	Wang Y.，Wang X.，He C.，Chen X.，Luo Z.，Duan L.，Zuo J.，2024年。社區引導的對比度學習，具有異常覺醒的重建，以對歸因網絡進行異常檢測。高級應用程序的數據庫系統（DASFAA）。

展開

附加信息