G OOD D

Good-D: sur la détection de graphe non supervisée

Ceci est le code source du papier WSDM'23 "Good-D: sur la détection des graphiques non supervisés".

Exigences

Ce code nécessite ce qui suit:

• Python == 3,9
• Pytorch == 1.11.0
• Pytorch géométrique == 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

Usage

Exécutez simplement le script correspondant à l'expérience et à l'ensemble de données que vous souhaitez. Par exemple:

• Exécutez la détection hors distribution sur les ensembles de données BZR (ID) et COX2 (OOD):

 bash script/oodd_BZR+COX2.sh

• Exécutez la détection d'anomalies sur Proteins_full DataSets:

 bash script/ad_PROTEINS_full.sh

Statistique de la référence de détection OOD au niveau du graphique

La statistique de chaque paire d'ensembles de données dans notre référence est fournie comme suit.

	Jeu de données ID				Ensemble de données OOD
Non.	Nom	# Graphique (Train / test)	# Nœud (avg.)	# Bord (avg.)	Nom	# Graphique (Test)	# Nœud (avg.)	# Bord (avg.)
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	sida	1 800/200	15.7	16.2	Dhfr	200	42.4	44.5
4	Enzymes	540/60	32.6	62.1	PROTÉINE	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	Toxquer	65	18.8	19.3
8	Bbbp	1 835/204	24.1	26.0	Se pavaner	204	34.1	36.9
9	Clintoxe	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

Statistiques des ensembles de données de détection d'anomalies au niveau du graphique

La statistique de chaque ensemble de données dans les expériences de détection d'anomalies est fournie comme suit.

Ensemble de données	# Graphique (Train / test)	# Nœud (avg.)	# Bord (avg.)
Protéines	360/223	39.1	72.8
Enzymes	400/120	32.6	62.1
sida	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
Collaboration	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

Détails de la mise en œuvre

Hyper-paramètres

Par souci d'efficacité, nous avons réglé les dimensions de codage structurel $ d_s ^ {(rw)} $ et $ d_s ^ {(dg)} $ à 16 $ . Les encodeurs sont des gins à 5 couches avec 16 $ dimensions cachées. Le nombre de dimensions des incorporations projetées est la même que celle des incorporations de nœuds. La taille du lot est sélectionnée parmi 16 $ à 128 $ Selon la taille du graphique des ensembles de données. Le nombre de clusters $ K $ et paramètre d'auto-adaptation $ alpha $ sont sélectionnés par la recherche de grille, avec les étendues de $ {2, 3, 5, 10, 15, 20, 30} $ et $ {0, 0,2, 0,4, 0,6, 0,8, 1,0} $ , respectivement. Le modèle est formé par l'optimiseur Adam avec un taux d'apprentissage de 0,0001 $ jusqu'à converger.

Information informatique

Nous effectuons les expériences sur un serveur Linux avec un CPU Intel Xeon Gold 6226R et deux GPU Tesla V100S. Nous mettons en œuvre notre méthode avec Pytorch 1.11.0 et Pytorch Geometric 2.0.4.

Citer

Si vous comparez, construisez ou utilisez des aspects de ce travail, veuillez citer ce qui suit:

 @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}
}