.. image:: https://raw.githubusercontent.com/yzhao062/pyod/master/brand/pyod-icon.svg :target: https://pyod.dev :alt: نظام PyOD البيئي :width: 84px

كشف القيم الشاذة في بايثون (PyOD) 3

PyOD 3: كشف الشذوذ القائم على الوكلاء على نطاق واسع

|badge_website| |badge_pypi| |badge_anaconda| |badge_docs| |badge_stars| |badge_forks| |badge_downloads| |badge_testing| |badge_coverage| |badge_maintainability| |badge_license| |badge_benchmark|

.. |badge_website| image:: https://img.shields.io/badge/website-pyod.dev-990000 :target: https://pyod.dev :alt: الموقع الإلكتروني

.. |badge_pypi| image:: https://img.shields.io/pypi/v/pyod.svg?color=brightgreen :target: https://pypi.org/project/pyod/ :alt: إصدار PyPI

.. |badge_anaconda| image:: https://anaconda.org/conda-forge/pyod/badges/version.svg :target: https://anaconda.org/conda-forge/pyod :alt: إصدار Anaconda

.. |badge_docs| image:: https://readthedocs.org/projects/pyod/badge/?version=latest :target: https://pyod.readthedocs.io/en/latest/?badge=latest :alt: حالة التوثيق

.. |badge_stars| image:: https://img.shields.io/github/stars/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/stargazers :alt: نجوم GitHub

.. |badge_forks| image:: https://img.shields.io/github/forks/yzhao062/pyod.svg?color=blue :target: https://github.com/yzhao062/pyod/network :alt: نسخ GitHub

.. |badge_downloads| image:: https://pepy.tech/badge/pyod :target: https://pepy.tech/project/pyod :alt: التنزيلات

.. |badge_testing| image:: https://github.com/yzhao062/pyod/actions/workflows/testing.yml/badge.svg :target: https://github.com/yzhao062/pyod/actions/workflows/testing.yml :alt: الاختبار

.. |badge_coverage| image:: https://coveralls.io/repos/github/yzhao062/pyod/badge.svg :target: https://coveralls.io/github/yzhao062/pyod :alt: حالة التغطية

.. |badge_maintainability| image:: https://api.codeclimate.com/v1/badges/bdc3d8d0454274c753c4/maintainability :target: https://codeclimate.com/github/yzhao062/Pyod/maintainability :alt: قابلية الصيانة

.. |badge_license| image:: https://img.shields.io/github/license/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/blob/master/LICENSE :alt: الترخيص

.. |badge_benchmark| image:: https://img.shields.io/badge/ADBench-benchmark_results-pink :target: https://github.com/Minqi824/ADBench :alt: قياس الأداء

**PyOD جاهز للوكلاء.** يمكن لكلود كود (Claude Code) وكوديكس (Codex) استخدام مهارة ``od-expert`` لقيادة تحقيقات ADEngine، بينما يمكن للوكلاء المتوافقين مع MCP الاستعلام عن معرفة الكواشف وأدوات التخطيط في PyOD. تبقى واجهة ``fit``/``predict`` الكلاسيكية دون تغيير.

PyOD 3 هو مكتبة بايثون الأكثر شمولًا لكشف الشذوذ. أربع ركائز:

=========================== ======================================================================================== الركيزة ماذا تعني =========================== ======================================================================================== متعدد الوسائط 61 كاشفًا عبر بيانات جداول، سلاسل زمنية، رسوم بيانية، نص، صورة، وصوت، بواجهة واحدة دورة الحياة الكاملة من البيانات الخام إلى الشذوذ المُفسَّر والإرشادات للخطوة التالية في استدعاء واحد وكيل od-expert يحوّل الطلبات باللغة الطبيعية إلى سير عمل ADEngine؛ ويكشف MCP عن أدوات منظمة لوكلاء آخرين الأكثر استخدامًا 46+ مليون تنزيل؛ توجيه معتمد على المعايير (ADBench, TSB-AD, BOND, NLP-ADBench) =========================== ========================================================================================

التثبيت ^^^^^^^

المكتبة الأساسية (مطلوبة لكل مسار تفعيل):

.. code-block:: bash

pip install pyod

ثم اختر مسار التفعيل الذي يناسب حزمة الوكيل لديك:

.. code-block:: bash

# 1. Claude Code / Codex — enables the od-expert skill
pyod install skill              # Claude Code: user-global (~/.claude/skills/)
pyod install skill --project    # Codex: project-local (./skills/, Codex has no user-global dir)

# 2. Any MCP-compatible LLM — requires the optional mcp extra
pip install pyod[mcp]
pyod mcp serve                 # alias for `python -m pyod.mcp_server`

# 3. Pure Python — no extra step
#    from pyod.utils.ad_engine import ADEngine

شغّل pyod info في أي وقت لرؤية الإصدار، وعدد الكواشف، وحالة تثبيت كل مسار تفعيل. كما يكتشف pyod info حزمة الوكيل المثبتة لديك (~/.claude/ لكلود كود، ~/.codex/ لكوديكس) ويوصي بأمر التثبيت الصحيح.

بالنسبة إلى conda، والتثبيت من المصدر، وتفاصيل التبعيات، واستكشاف الأخطاء وإصلاحها، راجع دليل التثبيت الكامل <https://pyod.readthedocs.io/en/latest/install.html>__. لا يزال الأمر القديم pyod-install-skill من الإصدار v3.0.0 يعمل كاسم مستعار لـ pyod install skill.

كشف الشذوذ في 5 أسطر من البرمجة (pip install pyod):

.. code-block:: python

from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)
y_train_scores = clf.decision_scores_          # training anomaly scores
y_test_scores = clf.decision_function(X_test)   # test anomaly scores

ثلاث طرق لاستخدام PyOD:

========= ===================== ====================================================================== ======================================= الطبقة الاسم متى تُستخدم نقطة الدخول ========= ===================== ====================================================================== ======================================= 1 Classic API تعرف الكاشف الذي تريده أمثلة الطبقة 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine تريد أن يختار PyOD ويقارن ويقيّم تلقائيًا شرح الطبقة 2 <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__ 3 التحقيق الوكيل تريد أن يقود وكيل ذكاء اصطناعي عملية الكشف عن الشذوذ عبر محادثة طبيعية شرح الطبقة 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ===================== ====================================================================== =======================================

الطبقتان 2 و3 مدعومتان بـ ADEngine، نواة تنسيق دورة الحياة في PyOD. التدفق الكامل متعدد الأدوار للتحقيق في الطبقة 3 متاح عبر مهارة od-expert لكلود كود وكوديكس. يُعرّض خادم MCP (python -m pyod.mcp_server) عشرة أدوات عديمة الحالة لنماذج لغوية كبيرة متوافقة مع MCP، تشمل استعلامات المعرفة (list_detectors، explain_detector، compare_detectors، get_benchmarks)، والتخطيط (profile_data، plan_detection، build_detector)، والكشف (run_detection، analyze_results، explain_findings)؛ أدوات MCP ذات الحالة investigate / مؤجلة.

.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: عرض توضيحي للتحقيق الوكيل في PyOD 3 على مجموعة بيانات تخطيط قلب الجنين :align: center :width: 720

يوضح الشكل أعلاه محادثة وكيل حقيقية من 5 جولات على مجموعة بيانات UCI Cardiotocography. راجع الشرح الكامل <https://pyod.readthedocs.io/en/latest/examples/agentic.html>، أو مثال الوكيل القابل للتشغيل <https://github.com/yzhao062/pyod/blob/development/examples/agentic_example.py>، أو العرض التفاعلي بتقنية HTML <https://htmlpreview.github.io/?https://github.com/yzhao062/pyod/blob/development/examples/agentic_demo.html>__.

النظام البيئي والموارد لـ PyOD: NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__ (كشف الشذوذ في معالجة اللغة الطبيعية) | TODS <https://github.com/datamllab/tods>__ (السلاسل الزمنية) | PyGOD <https://pygod.org/>__ (الرسوم البيانية) | ADBench <https://github.com/Minqi824/ADBench>__ (قياس الأداء) | AD-LLM <https://arxiv.org/abs/2412.11142>__ (كشف الشذوذ المعتمد على نماذج اللغة الكبيرة) [#Yang2024ad]_ | الموارد <https://github.com/yzhao062/anomaly-detection-resources>__

حول PyOD ^^^^^^^^^^

تأسس PyOD في عام 2017، وهو أقدم مكتبة بايثون الأكثر استخدامًا على نطاق واسع لكشف الشذوذ. ومع أكثر من 46 مليون تنزيل <https://pepy.tech/project/pyod>، يخدم البحث الأكاديمي (كما في Analytics Vidhya <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/> وKDnuggets <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>__ وTowards Data Science <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__) والمنتجات التجارية.

يوسّع الإصدار V3 المكتبة بإضافة ADEngine (تنسيق دورة الحياة) ومهارة od-expert (سير العمل الوكيل)، مع إبقاء واجهة fit/predict الكلاسيكية متوافقة تمامًا مع الإصدارات السابقة. وهو مبني على SUOD [#Zhao2021SUOD]_ للتدريب المتوازي السريع وnumba JIT لتسريع كل نموذج على حدة.

الأثر والتقدير:

=================================== =========================================================================== المجال أمثلة =================================== =========================================================================== الفضاء والعلوم تستخدم وكالة الفضاء الأوروبية معيار بيانات تليمتري المركبة OPS-SAT <https://www.nature.com/articles/s41597-025-05035-3>__ (Nature Scientific Data, 2025) PyOD لجميع الخوارزميات الثلاثين. النشر في المؤسسات Walmart (أكثر من مليون تحديث يومي للأسعار، KDD 2019)، وDatabricks (إطار عمل Kakapo الذي يدمج PyOD مع MLflow/Hyperopt؛ وحل كشف التهديدات الداخلية)، وIQVIA (أكثر من 123 ألف مطالبة صيدلانية)، وAltair AI Studio، وEricsson (براءة الاختراع WO2023166515A1 <https://patents.google.com/patent/WO2023166515A1>). كتب Outlier Detection in Python <https://www.manning.com/books/outlier-detection-in-python> (بريت كينيدي، Manning)؛ Handbook of Anomaly Detection with Python (كريس كو، Columbia)؛ Finding Ghosts in Your Data <https://link.springer.com/book/10.1007/978-1-4842-8870-2>__ (كيفن فيزل، Apress). دورات DataCamp Anomaly Detection in Python <https://www.datacamp.com/courses/anomaly-detection-in-python>__ (أكثر من 19 مليون متعلم على المنصة)، وManning liveProject <https://www.manning.com/liveproject/using-pyod-and-ensembles-methods>، ونسخة الفيديو من O'Reilly، والعديد من دورات Udemy. بودكاست ، )، واليابانية، والكورية، والألمانية، والإسبانية. =================================== ===========================================================================

راجع صفحة الأثر الكاملة <https://pyod.readthedocs.io/en/latest/impact.html>__ على Read the Docs للحصول على القائمة الكاملة للاستشهادات والنشر في المؤسسات وبراءات الاختراع والتغطية الإعلامية.

الاستشهاد بـ PyOD:

إذا استخدمت PyOD في منشور علمي، فسنقدّر الاستشهاد بالورقة (الأوراق) التالية:

PyOD 2: مكتبة بايثون لكشف الشذوذ مع اختيار النماذج المدعوم بنماذج اللغة الكبيرة <https://arxiv.org/abs/2412.12154>__ متاحة كمسودة أولية (preprint). إذا استخدمت PyOD في منشور علمي، فسنقدّر الاستشهاد بالورقة التالية::

@inproceedings{chen2025pyod,
  title={Pyod 2: A python library for outlier detection with llm-powered model selection},
  author={Chen, Sihan and Qian, Zhuangzhuang and Siu, Wingchun and Hu, Xingcan and Li, Jiaqi and Li, Shawn and Qin, Yuehan and Yang, Tiankai and Xiao, Zhuo and Ye, Wanghao and others},
  booktitle={Companion Proceedings of the ACM on Web Conference 2025},
  pages={2807--2810},
  year={2025}
}

ورقة PyOD <http://www.jmlr.org/papers/volume20/19-011/19-011.pdf>__ منشورة في Journal of Machine Learning Research (JMLR) <http://www.jmlr.org/>__ (مسار MLOSS).::

@article{zhao2019pyod,
    author  = {Zhao, Yue and Nasrullah, Zain and Li, Zheng},
    title   = {PyOD: A Python Toolbox for Scalable Outlier Detection},
    journal = {Journal of Machine Learning Research},
    year    = {2019},
    volume  = {20},
    number  = {96},
    pages   = {1-7},
    url     = {http://jmlr.org/papers/v20/19-011.html}
}

أو::

Zhao, Y., Nasrullah, Z. and Li, Z., 2019. PyOD: A Python Toolbox for Scalable Outlier Detection. Journal of machine learning research (JMLR), 20(96), pp.1-7.

للحصول على منظور أوسع حول كشف الشذوذ، راجع أوراقنا في NeurIPS حول ADBench <https://arxiv.org/abs/2206.09426>__ [#Han2022ADBench]_ وADGym <https://arxiv.org/abs/2309.15376>__.

جدول المحتويات:

• ورقة الغش والمرجع للـ API <#api-cheatsheet--reference>__
• المعايير <#benchmarks>__
• الخوارزميات المنفَّذة <#implemented-algorithms>__ (جدولية، سلاسل زمنية، رسوم بيانية، تضمين)
• موضوعات إضافية <#additional-topics>__ (حفظ/تحميل النموذج، SUOD، تحديد العتبات)
• بداية سريعة لكشف الشذوذ <#quick-start-for-outlier-detection>__
• كيف تساهم <#how-to-contribute>__
• معايير الإدراج <#inclusion-criteria>__

ورقة الغش والمرجع للـ API ^^^^^^^^^^^^^^^^^^^^^^^^^^

مرجع الـ API الكامل مقسَّم حسب النمط في توثيق PyOD <https://pyod.readthedocs.io/en/latest/>: الجداول <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>، السلاسل الزمنية <https://pyod.readthedocs.io/en/latest/pyod.models.timeseries.html>، الرسوم البيانية <https://pyod.readthedocs.io/en/latest/pyod.models.graph.html>، التضمين <https://pyod.readthedocs.io/en/latest/pyod.models.embedding.html>، ADEngine <https://pyod.readthedocs.io/en/latest/pyod.ad_engine.html>، الأدوات المساعدة <https://pyod.readthedocs.io/en/latest/pyod.utils.html>__. فيما يلي ورقة غش سريعة لجميع الكواشف:

• fit(X): ملاءمة الكاشف. تُهمَل المعلمة y في الطرق غير الخاضعة للإشراف.
• decision_function(X): التنبؤ بدرجات الشذوذ الخام لـ X باستخدام الكاشف الملائم.
• predict(X): تحديد ما إذا كانت العينة قيمة شاذة أم لا كتسميات ثنائية باستخدام الكاشف الملائم.
• predict_proba(X): تقدير احتمال أن تكون العينة قيمة شاذة باستخدام الكاشف الملائم.
• predict_confidence(X): تقييم ثقة النموذج على أساس كل عينة (قابل للتطبيق في predict وpredict_proba) [#Perini2020Quantifying]_.
• predict_with_rejection(X)\ : السماح للكاشف برفض (أي الامتناع عن تقديم) التنبؤات شديدة عدم اليقين (الناتج = -2) [#Perini2023Rejection]_.

السمات الأساسية لنموذج مُلائم:

• decision_scores_: درجات الشذوذ لبيانات التدريب. تشير الدرجات الأعلى عادةً إلى سلوك أكثر شذوذًا. وعادةً ما يكون للقيم الشاذة درجات أعلى.
• labels_: تسميات ثنائية لبيانات التدريب، حيث يشير 0 إلى القيم الطبيعية و1 إلى القيم الشاذة/الحالات الشاذة.

المعايير ^^^^^^^^^^

• ADBench <https://github.com/Minqi824/ADBench>__ [#Han2022ADBench]_: 30 خوارزمية على 57 مجموعة بيانات جدولية. راجع المقارنة <https://github.com/yzhao062/pyod/blob/master/examples/compare_all_models.py>__.
• NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__: 19 طريقة على 8 مجموعات بيانات نصية. الطريقة ذات الخطوتين (التضمين + الكاشف) تتفوق على طريقة النهاية إلى النهاية.
• TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_: 40 خوارزمية على 1070 مجموعة بيانات سلاسل زمنية (NeurIPS 2024).
• BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_: 14 خوارزمية لكشف الشذوذ في الرسوم البيانية على 14 مجموعة بيانات (NeurIPS 2022).

موضوعات إضافية ^^^^^^^^^^^^^^^^^

• حفظ النموذج وتحميله <https://pyod.readthedocs.io/en/latest/model_persistence.html>: استخدم joblib أو pickle لحفظ وتحميل نماذج PyOD. راجع المثال <https://github.com/yzhao062/pyod/blob/master/examples/save_load_model_example.py>.
• تدريب سريع باستخدام SUOD <https://pyod.readthedocs.io/en/latest/fast_train.html>: سرّع التدريب والتنبؤ باستخدام إطار عمل SUOD [#Zhao2021SUOD]_. راجع المثال <https://github.com/yzhao062/pyod/blob/master/examples/suod_example.py>.
• تحديد عتبات درجات الشذوذ <https://pyod.readthedocs.io/en/latest/thresholding.html>: طرق معتمدة على البيانات لتحديد مستويات التلوث عبر PyThresh <https://github.com/KulikDM/pythresh>.

الخوارزميات المنفَّذة ^^^^^^^^^^^^^^^^^^^^^^

يُنظَّم PyOD في مجموعتين وظيفيتين: (i) خوارزميات الكشف، مع أقسام فرعية مخصصة للبيانات الجدولية والسلاسل الزمنية والرسوم البيانية والصوت (يضيف EmbeddingOD داخل الجدول الجدولي دعمًا للنصوص والصور عبر مشفّرات النماذج الأساسية)؛ و**(ii) الدوال المساعدة** لتوليد البيانات والتقييم وتنسيق دورة الحياة.

(i-a) خوارزميات الكشف الجدولية ومتعددة الوسائط :

.. list-table:: :widths: 15 14 58 5 8 :header-rows: 1* - النوع - الاختصار - الخوارزمية - السنة - المرجع

• • احتمالي
  • ECOD
  • كشف الشذوذ غير الخاضع للإشراف باستخدام دوال التوزيع التراكمي التجريبية (مثال <https://github.com/yzhao062/pyod/blob/development/examples/ecod_example.py>__)
  • 2022
  • [#Li2021ECOD]_
• • احتمالي
  • ABOD
  • كشف الشذوذ القائم على الزاوية (مثال <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)
  • 2008
  • [#Kriegel2008Angle]_
• • احتمالي
  • FastABOD
  • كشف الشذوذ القائم على الزاوية السريع باستخدام التقريب (مثال <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)
  • 2008
  • [#Kriegel2008Angle]_
• • احتمالي
  • COPOD
  • COPOD: كشف الشذوذ القائم على الكوبولا (مثال <https://github.com/yzhao062/pyod/blob/development/examples/copod_example.py>__)
  • 2020
  • [#Li2020COPOD]_
• • احتمالي
  • MAD
  • الانحراف المطلق عن الوسيط (MAD) (مثال <https://github.com/yzhao062/pyod/blob/development/examples/mad_example.py>__)
  • 1993
  • [#Iglewicz1993How]_
• • احتمالي
  • SOS
  • الاختيار العشوائي للشذوذ (مثال <https://github.com/yzhao062/pyod/blob/development/examples/sos_example.py>__)

أساليب التجميع (IForest, INNE, DIF, FB, LSCP, LODA, SUOD, XGBOD) مضمَّنة في الجدول أعلاه. دوال دمج الدرجات (المتوسط، التعظيم، AOM، MOA، الوسيط، تصويت الأغلبية) موجودة في pyod.models.combination. راجع وثائق API <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>__ للتفاصيل.

(i-b) كشف الشذوذ في السلاسل الزمنية :

تستخدم جميع كاشفات السلاسل الزمنية نفس واجهة برمجة التطبيقات fit/predict/decision_function مثل الكاشفات الجدولية، مع استثناء واحد: MatrixProfile استنتاجي (للتدريب فقط؛ استخدم decision_scores_ وlabels_ بعد fit()، دون predict لعينات خارج العينة).

تنسيق الإدخال: مصفوفة numpy بالشكل (n_timestamps,) للسلاسل أحادية المتغير أو (n_timestamps, n_channels) للسلاسل متعددة المتغيرات. كل صف يمثل خطوة زمنية واحدة؛ الأعمدة هي القنوات/الميزات. يتم تحويل DataFrames من Pandas والقوائم تلقائيًا. الإخراج: decision_scores_ بالشكل (n_timestamps,) مع درجة شذوذ واحدة لكل خطوة زمنية.

كشف السلاسل الزمنية في 3 أسطر:

.. code-block:: python

from pyod.models.ts_kshape import KShape      # or any TS detector
clf = KShape(window_size=20)
clf.fit(X_train)                               # shape (n_timestamps,) or (n_timestamps, n_channels)
scores = clf.decision_scores_                  # per-timestamp anomaly scores

ترتيب الخوارزميات من معيار TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_ (NeurIPS 2024، 1070 مجموعة بيانات):

.. list-table:: :widths: 15 18 50 5 12 :header-rows: 1

• • النوع
  • الاختصار
  • الخوارزمية
  • السنة
  • المرجع
• • جسر النوافذ
  • TimeSeriesOD
  • أي كاشف من PyOD على نوافذ منزلقة (مثال <https://github.com/yzhao062/pyod/blob/development/examples/ts_od_example.py>__)
  • 2026
• • تتابع فرعي
  • MatrixProfile
  • Matrix Profile عبر STOMP، استنتاجي (مثال <https://github.com/yzhao062/pyod/blob/development/examples/ts_matrix_profile_example.py>__)
  • 2016
  • [#Yeh2016Matrix]_
• • تردد
  • SpectralResidual
  • المتبقي الطيفي: البارزية القائمة على FFT (مثال <https://github.com/yzhao062/pyod/blob/development/examples/ts_spectral_residual_example.py>__)
  • 2019
  • [#Ren2019Time]_
• • تجميع
  • KShape
  • تجميع k-Shape (#2 في TSB-AD) (مثال <https://github.com/yzhao062/pyod/blob/development/examples/ts_kshape_example.py>__)
  • 2015
  • [#Paparrizos2015KShape]_
• • تدفق
  • SAND
  • تدفق مع تكيف مع الانجراف، تجريبي (مثال <https://github.com/yzhao062/pyod/blob/development/examples/ts_sand_example.py>__)
  • 2021
  • [#Boniol2021SAND]_

(i-c) كشف الشذوذ في الرسوم البيانية (pip install pyod[graph]):

جميع كاشفات الرسوم البيانية استنتاجية في الإصدار v1: استخدم decision_scores_ وlabels_ بعد fit(). لا يوجد predict لعينات خارج العينة. الإدخال: كائن Data من PyG يحتوي على x (ميزات العقد) وedge_index (حواف COO). يعمل SCAN بدون ميزات.

كشف الرسوم البيانية في 3 أسطر (pip install pyod[graph]):

.. code-block:: python

from pyod.models.pyg_dominant import DOMINANT
clf = DOMINANT(hidden_dim=64, epochs=100)
clf.fit(data)                                  # PyG Data object
scores = clf.decision_scores_                  # per-node anomaly scores

ترتيب الخوارزميات من معيار BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_ (NeurIPS 2022، 14 مجموعة بيانات):

.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1

• • النوع
  • الاختصار
  • الخوارزمية
  • السنة
  • المرجع
• • ترميز ذاتي GCN
  • DOMINANT
  • GCN AE، إعادة بناء البنية والسمات (#1 في BOND العميق) (dominant example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_dominant_example.py>__)
  • 2019
  • [#Ding2019DOMINANT]_
• • تناقضي
  • CoLA
  • تناقضي ذاتي الإشراف، سياق الجيران المحلي (#2 في BOND العميق) (cola example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_cola_example.py>__)
  • 2022
  • [#Liu2022CoLA]_
• • تناقضي + ترميز ذاتي
  • CONAD
  • تناقضي مع حقن عرض شاذ + إعادة بناء مزدوجة (conad example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_conad_example.py>__)
  • 2022
  • [#Xu2022CONAD]_
• • ترميز ذاتي بالانتباه
  • AnomalyDAE
  • مشفّر بنية GAT + مشفّر سمات MLP (anomalydae example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_anomalydae_example.py>__)
  • 2020
  • [#Fan2020AnomalyDAE]_
• • ترميز ذاتي بالأنماط
  • GUIDE
  • ترميز ذاتي GCN مزدوج على الأصل وترابط نمط المثلث (guide example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_guide_example.py>__)

(i-d) كشف الشذوذ الصوتي (pip install pyod[audio]):

تستخدم المقاطع الصوتية نفس واجهة برمجة التطبيقات fit/decision_function. يتوفر مساران: مسار خفيف يعتمد على التضمين ثم الكشف (EmbeddingOD.for_audio() يحوّل كل مقطع إلى متجه صوتي يدوي بأبعاد 74 ويشغّل أي كاشف كلاسيكي)، وكاشف عميق مخصص (AudioAE، وهو ترميز ذاتي لإعادة بناء log-mel). المدخلات هي مسارات ملفات، أو مصفوفات موجات، أو مجموعات (waveform, sample_rate). الإخراج: درجة شذوذ واحدة لكل مقطع.

كشف الصوت في 3 أسطر (pip install pyod[audio]):

.. code-block:: python

from pyod.models.embedding import EmbeddingOD
clf = EmbeddingOD.for_audio('balanced')        # 74-dim handcrafted features + KNN
clf.fit(train_clips)                            # list of file paths or waveform arrays
scores = clf.decision_scores_                  # per-clip anomaly scores

.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1

• • النوع
  • الاختصار
  • الخوارزمية
  • السنة
  • المرجع
• • تضمين ثم كشف
  • EmbeddingOD
  • for_audio(): ميزات MFCC وchroma والطيفية بأبعاد 74 مع أي كاشف
  • 2026
• • ترميز ذاتي عميق
  • AudioAE
  • ترميز ذاتي لإعادة بناء log-mel (خط الأساس لمهمة DCASE 2020 Task 2)
  • 2020

(ii) الدوال المساعدة:=================== ============================ ===================================================================================================================================================== النوع الاسم الوظيفة =================== ============================ ===================================================================================================================================================== بيانات generate_data توليد بيانات مُصنّعة؛ بيانات طبيعية من توزيع غاوسي متعدد المتغيرات، وقيم شاذة من توزيع منتظم بيانات generate_data_clusters توليد بيانات مُصنّعة في مجموعات لأنماط أكثر تعقيدًا تقييم evaluate_print طباعة ROC-AUC وPrecision @ Rank n لكاشف تقييم precision_n_scores حساب Precision @ Rank n أداة مساعدة get_label_n تحويل درجات الشذوذ الخام إلى تسميات ثنائية بتعيين 1 لأعلى n من الدرجات إحصاء wpearsonr حساب ارتباط بيرسون الموزون لعينتين ترميز resolve_encoder حل مُرمِّز من اسم نصي أو مثيل BaseEncoder أو كائن قابل للاستدعاء ترميز SentenceTransformerEncoder ترميز النص عبر نماذج sentence-transformers (مثل MiniLM وmpnet) ترميز OpenAIEncoder ترميز النص عبر OpenAI Embeddings API (text-embedding-3-small/large) ترميز HuggingFaceEncoder ترميز النص أو الصور عبر محولات HuggingFace (BERT وDINOv2 وCLIP) =================== ============================ =====================================================================================================================================================

بدء سريع لكشف القيم الشاذة ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

حظيت PyOD بتقدير واسع من مجتمع التعلم الآلي من خلال عدد من المقالات والبرامج التعليمية المميزة.

Analytics Vidhya: برنامج تعليمي رائع لتعلّم كشف القيم الشاذة في Python باستخدام مكتبة PyOD <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>__

KDnuggets: تصور بديهي لطرق كشف القيم الشاذة <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>، نظرة عامة على طرق كشف القيم الشاذة من PyOD <https://www.kdnuggets.com/2019/06/overview-outlier-detection-methods-pyod.html>

Towards Data Science: كشف الشذوذ للمبتدئين <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__

يوضح "examples/knn_example.py" <https://github.com/yzhao062/pyod/blob/master/examples/knn_example.py>__ واجهة البرمجة الأساسية لاستخدام كاشف kNN. يُشار إلى أن واجهة البرمجة متسقة/مشابهة عبر جميع الخوارزميات الأخرى.

يمكن العثور على تعليمات أكثر تفصيلاً لتشغيل الأمثلة في دليل الأمثلة <https://github.com/yzhao062/pyod/blob/master/examples>__.

#. قم بتهيئة كاشف kNN، وملاءمة النموذج، وإجراء التنبؤ.

.. code-block:: python

   from pyod.models.knn import KNN   # kNN detector
   from pyod.utils.data import generate_data

   contamination = 0.1  # percentage of outliers
   n_train = 200  # number of training points
   n_test = 100  # number of testing points

   # generate sample data
   X_train, X_test, y_train, y_test = generate_data(
       n_train=n_train, n_test=n_test, n_features=2,
       contamination=contamination, random_state=42)

   # train kNN detector
   clf_name = 'KNN'
   clf = KNN()
   clf.fit(X_train)

   # get the prediction label and outlier scores of the training data
   y_train_pred = clf.labels_  # binary labels (0: inliers, 1: outliers)
   y_train_scores = clf.decision_scores_  # raw outlier scores

   # get the prediction on the test data
   y_test_pred = clf.predict(X_test)  # outlier labels (0 or 1)
   y_test_scores = clf.decision_function(X_test)  # outlier scores

   # it is possible to get the prediction confidence as well
   y_test_pred, y_test_pred_confidence = clf.predict(X_test, return_confidence=True)  # outlier labels (0 or 1) and confidence in the range of [0,1]

#. قيّم التنبؤ باستخدام ROC وPrecision @ Rank n (p@n).

.. code-block:: python

   from pyod.utils.data import evaluate_print
   
   # evaluate and print the results
   print("\nOn Training Data:")
   evaluate_print(clf_name, y_train, y_train_scores)
   print("\nOn Test Data:")
   evaluate_print(clf_name, y_test, y_test_scores)

#. شاهد نموذجًا للإخراج والتصور البياني.

.. code-block:: python

   On Training Data:
   KNN ROC:0.9992, precision @ rank n:0.95

   On Test Data:
   KNN ROC:1.0, precision @ rank n:1.0

.. code-block:: python

   from pyod.utils.example import visualize

   visualize(clf_name, X_train, y_train, X_test, y_test, y_train_pred,
       y_test_pred, show_figure=True, save_figure=False)

شكر وتقدير ^^^^^^^^^^^^^^^

هذه المادة مبنية على عمل مدعوم من المؤسسة الوطنية للعلوم (National Science Foundation) بموجب الجائزة رقم 2346158 <https://www.nsf.gov/awardsearch/showAward?AWD_ID=2346158>_ لمشروع "NSF POSE: المرحلة الثانية: OpenAD: نظام بيئي متكامل مفتوح المصدر لكشف الشذوذ." تُدرج الجائزة جامعة إلينوي في شيكاغو كمنظمة رائدة، ومعهد إلينوي للتكنولوجيا، وجامعة ليهاي، وجامعة جنوب كاليفورنيا كمنظمات متلقية لجوائز فرعية.

أي آراء أو نتائج أو استنتاجات أو توصيات واردة في هذه المادة هي آراء المؤلف (المؤلفين) ولا تعكس بالضرورة وجهات نظر المؤسسة الوطنية للعلوم.

المراجع ^^^^^^^^^

.. [#Aggarwal2015Outlier] Aggarwal, C.C., 2015. Outlier analysis. In Data mining (pp. 237-263). Springer, Cham.

.. [#Aggarwal2015Theoretical] Aggarwal, C.C. and Sathe, S., 2015. Theoretical foundations and algorithms for outlier ensembles.\ ACM SIGKDD Explorations Newsletter\ , 17(1), pp.24-47.

.. [#Aggarwal2017Outlier] Aggarwal, C.C. and Sathe, S., 2017. Outlier ensembles: An introduction. Springer.

.. [#Almardeny2020A] Almardeny, Y., Boujnah, N. and Cleary, F., 2020. A Novel Outlier Detection Method for Multivariate Data. IEEE Transactions on Knowledge and Data Engineering.

.. [#Angiulli2002Fast] Angiulli, F. and Pizzuti, C., 2002, August. Fast outlier detection in high dimensional spaces. In European Conference on Principles of Data Mining and Knowledge Discovery pp. 15-27.

.. [#Arning1996A] Arning, A., Agrawal, R. and Raghavan, P., 1996, August. A Linear Method for Deviation Detection in Large Databases. In KDD (Vol. 1141, No. 50, pp. 972-981).

.. [#Bandaragoda2018Isolation] Bandaragoda, T. R., Ting, K. M., Albrecht, D., Liu, F. T., Zhu, Y., and Wells, J. R., 2018, Isolation-based anomaly detection using nearest-neighbor ensembles. Computational Intelligence\ , 34(4), pp. 968-998.

.. [#Breunig2000LOF] Breunig, M.M., Kriegel, H.P., Ng, R.T. and Sander, J., 2000, May. LOF: identifying density-based local outliers. ACM Sigmod Record\ , 29(2), pp. 93-104.

.. [#Burgess2018Understanding] Burgess, Christopher P., et al. "Understanding disentangling in beta-VAE." arXiv preprint arXiv:1804.03599 (2018).

.. [#Campello2013Density] Campello, R.J.G.B., Moulavi, D. and Sander, J., 2013, April. Density-based clustering based on hierarchical density estimates. In Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 160-172). Springer.

.. [#Cook1977Detection] Cook, R.D., 1977. Detection of influential observation in linear regression. Technometrics, 19(1), pp.15-18.

.. [#Chen2024PyOD] Chen, S., Qian, Z., Siu, W., Hu, X., Li, J., Li, S., Qin, Y., Yang, T., Xiao, Z., Ye, W. and Zhang, Y., 2024. PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection. arXiv preprint arXiv:2412.12154.

.. [#Fang2001Wrap] Fang, K.T. and Ma, C.X., 2001. Wrap-around L2-discrepancy of random sampling, Latin hypercube and uniform designs. Journal of complexity, 17(4), pp.608-624.

.. [#Goldstein2012Histogram] Goldstein, M. and Dengel, A., 2012. Histogram-based outlier score (hbos): A fast unsupervised anomaly detection algorithm. In KI-2012: Poster and Demo Track\ , pp.59-63.

.. [#Goodge2022Lunar] Goodge, A., Hooi, B., Ng, S.K. and Ng, W.S., 2022, June. Lunar: Unifying local outlier detection methods via graph neural networks. In Proceedings of the AAAI Conference on Artificial Intelligence.

.. [#Gopalan2019PIDForest] Gopalan, P., Sharan, V. and Wieder, U., 2019. PIDForest: Anomaly Detection via Partial Identification. In Advances in Neural Information Processing Systems, pp. 15783-15793.

.. [#Han2022ADBench] Han, S., Hu, X., Huang, H., Jiang, M. and Zhao, Y., 2022. ADBench: Anomaly Detection Benchmark. arXiv preprint arXiv:2206.09426.

.. [#Hardin2004Outlier] Hardin, J. and Rocke, D.M., 2004. Outlier detection in the multiple cluster setting using the minimum covariance determinant estimator. Computational Statistics & Data Analysis\ , 44(4), pp.625-638.

.. [#He2003Discovering] He, Z., Xu, X. and Deng, S., 2003. Discovering cluster-based local outliers. Pattern Recognition Letters\ , 24(9-10), pp.1641-1650.

.. [#Hoffmann2007Kernel] Hoffmann, H., 2007. Kernel PCA for novelty detection. Pattern recognition, 40(3), pp.863-874.

.. [#Iglewicz1993How] Iglewicz, B. and Hoaglin, D.C., 1993. How to detect and handle outliers (Vol. 16). Asq Press.

.. [#Janssens2012Stochastic] Janssens, J.H.M., Huszár, F., Postma, E.O. and van den Herik, H.J., 2012. Stochastic outlier selection. Technical report TiCC TR 2012-001, Tilburg University, Tilburg Center for Cognition and Communication, Tilburg, The Netherlands.

.. [#Kingma2013Auto] Kingma, D.P. and Welling, M., 2013. Auto-encoding variational bayes. arXiv preprint arXiv:1312.6114.

.. [#Kriegel2008Angle] Kriegel, H.P. and Zimek, A., 2008, August. Angle-based outlier detection in high-dimensional data. In KDD '08\ , pp. 444-452. ACM.

.. [#Kriegel2009Outlier] Kriegel, H.P., Kröger, P., Schubert, E. and Zimek, A., 2009, April. Outlier detection in axis-parallel subspaces of high dimensional data. In Pacific-Asia Conference on Knowledge Discovery and Data Mining\ , pp. 831-838. Springer, Berlin, Heidelberg.

.. [#Latecki2007Outlier] Latecki, L.J., Lazarevic, A. and Pokrajac, D., 2007, July. Outlier detection with kernel density functions. In International Workshop on Machine Learning and Data Mining in Pattern Recognition (pp. 61-75). Springer, Berlin, Heidelberg.

.. [#Lazarevic2005Feature] Lazarevic, A. and Kumar, V., 2005, August. Feature bagging for outlier detection. In KDD '05. 2005.

.. [#Li2024NLPADBench] Li, Y., Li, J., Xiao, Z., Yang, T., Nian, Y., Hu, X. and Zhao, Y., 2025. NLP-ADBench: NLP Anomaly Detection Benchmark. In Findings of the Association for Computational Linguistics: EMNLP 2025.

.. [#Li2019MADGAN] Li, D., Chen, D., Jin, B., Shi, L., Goh, J. and Ng, S.K., 2019, September. MAD-GAN: Multivariate anomaly detection for time series data with generative adversarial networks. In International Conference on Artificial Neural Networks (pp. 703-716). Springer, Cham.

.. [#Li2020COPOD] Li, Z., Zhao, Y., Botta, N., Ionescu, C. and Hu, X. COPOD: Copula-Based Outlier Detection. IEEE International Conference on Data Mining (ICDM), 2020.

.. [#Li2021ECOD] Li, Z., Zhao, Y., Hu, X., Botta, N., Ionescu, C. and Chen, H. G. ECOD: Unsupervised Outlier Detection Using Empirical Cumulative Distribution Functions. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2022.

.. [#Liu2008Isolation] Liu, F.T., Ting, K.M. and Zhou, Z.H., 2008, December. Isolation forest. In International Conference on Data Mining\ , pp. 413-422. IEEE.

.. [#Liu2019Generative] Liu, Y., Li, Z., Zhou, C., Jiang, Y., Sun, J., Wang, M. and He, X., 2019. Generative adversarial active learning for unsupervised outlier detection. IEEE Transactions on Knowledge and Data Engineering.

.. [#Nguyen2019scalable] Nguyen, M.N. and Vien, N.A., 2019. Scalable and interpretable one-class svms with deep learning and random fourier features. In Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD, 2018.

.. [#Pang2019Deep] Pang, Guansong, Chunhua Shen, and Anton Van Den Hengel. "Deep anomaly detection with deviation networks." In KDD, pp. 353-362. 2019.

.. [#Papadimitriou2003LOCI] Papadimitriou, S., Kitagawa, H., Gibbons, P.B. and Faloutsos, C., 2003, March. LOCI: Fast outlier detection using the local correlation integral. In ICDE '03, pp. 315-326. IEEE.

.. [#Pevny2016Loda] Pevný, T., 2016. Loda: Lightweight on-line detector of anomalies. Machine Learning, 102(2), pp.275-304.

.. [#Perini2020Quantifying] Perini, L., Vercruyssen, V., Davis, J. Quantifying the confidence of anomaly detectors in their example-wise predictions. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD), 2020.

.. [#Perini2023Rejection] Perini, L., Davis, J. Unsupervised anomaly detection with rejection. In Proceedings of the Thirty-Seven Conference on Neural Information Processing Systems (NeurIPS), 2023.

.. [#Ramaswamy2000Efficient] Ramaswamy, S., Rastogi, R. and Shim, K., 2000, May. Efficient algorithms for mining outliers from large data sets. ACM Sigmod Record\ , 29(2), pp. 427-438.

.. [#Rousseeuw1999A] Rousseeuw, P.J. and Driessen, K.V., 1999. A fast algorithm for the minimum covariance determinant estimator. Technometrics\ , 41(3), pp.212-223.

.. [#Ruff2018Deep] Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S.A., Binder, A., Müller, E. and Kloft, M., 2018, July. Deep one-class classification. In International conference on machine learning (pp. 4393-4402). PMLR.

.. [#Schlegl2017Unsupervised] Schlegl, T., Seeböck, P., Waldstein, S.M., Schmidt-Erfurth, U. and Langs, G., 2017, June. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery. In International conference on information processing in medical imaging (pp. 146-157). Springer, Cham.

.. [#Scholkopf2001Estimating] Scholkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J. and Williamson, R.C., 2001. Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), pp.1443-1471.

.. [#Shyu2003A] Shyu, M.L., Chen, S.C., Sarinnapakorn, K. and Chang, L., 2003. A novel anomaly detection scheme based on principal component classifier. MIAMI UNIV CORAL GABLES FL DEPT OF ELECTRICAL AND COMPUTER ENGINEERING.

.. [#Sugiyama2013Rapid] Sugiyama, M. and Borgwardt, K., 2013. Rapid distance-based outlier detection via sampling. Advances in neural information processing systems, 26.

.. [#Tang2002Enhancing] Tang, J., Chen, Z., Fu, A.W.C. and Cheung, D.W., 2002, May. Enhancing effectiveness of outlier detections for low density patterns. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pp. 535-548. Springer, Berlin, Heidelberg.

.. [#Wang2020adVAE] Wang, X., Du, Y., Lin, S., Cui, P., Shen, Y. and Yang, Y., 2019. adVAE: A self-adversarial variational autoencoder with Gaussian anomaly prior knowledge for anomaly detection. Knowledge-Based Systems.

.. [#Xu2023Deep] Xu, H., Pang, G., Wang, Y., Wang, Y., 2023. Deep isolation forest for anomaly detection. IEEE Transactions on Knowledge and Data Engineering.

.. [#Yang2024ad] Yang, T., Nian, Y., Li, S., Xu, R., Li, Y., Li, J., Xiao, Z., Hu, X., Rossi, R., Ding, K. and Hu, X., 2024. AD-LLM: Benchmarking Large Language Models for Anomaly Detection. arXiv preprint arXiv:2412.11142.

.. [#You2017Provable] You, C., Robinson, D.P. and Vidal, R., 2017. Provable self-representation based outlier detection in a union of subspaces. In Proceedings of the IEEE conference on computer vision and pattern recognition.

.. [#Zenati2018Adversarially] Zenati, H., Romain, M., Foo, C.S., Lecouat, B. and Chandrasekhar, V., 2018, November. Adversarially learned anomaly detection. In 2018 IEEE International conference on data mining (ICDM) (pp. 727-736). IEEE.

.. [#Zhao2018XGBOD] Zhao, Y. and Hryniewicki, M.K. XGBOD: Improving Supervised Outlier Detection with Unsupervised Representation Learning. IEEE International Joint Conference on Neural Networks\ , 2018.

.. [#Zhao2019LSCP] Zhao, Y., Nasrullah, Z., Hryniewicki, M.K. and Li, Z., 2019, May. LSCP: Locally selective combination in parallel outlier ensembles. In Proceedings of the 2019 SIAM International Conference on Data Mining (SDM), pp. 585-593. Society for Industrial and Applied Mathematics.

.. [#Zhao2021SUOD] Zhao, Y., Hu, X., Cheng, C., Wang, C., Wan, C., Wang, W., Yang, J., Bai, H., Li, Z., Xiao, C., Wang, Y., Qiao, Z., Sun, J. and Akoglu, L. (2021). SUOD: Accelerating Large-scale Unsupervised Heterogeneous Outlier Detection. Conference on Machine Learning and Systems (MLSys).

.. [#Boniol2021SAND] Boniol, P., Paparrizos, J., Palpanas, T. and Franklin, M.J., 2021. SAND: Streaming Subsequence Anomaly Detection. Proceedings of the VLDB Endowment, 14(10), pp.1717-1729.

.. [#Malhotra2015Long] Malhotra, P., Vig, L., Shroff, G. and Agarwal, P., 2015. Long Short Term Memory Networks for Anomaly Detection in Time Series. In European Symposium on Artificial Neural Networks (ESANN).

.. [#Paparrizos2015KShape] Paparrizos, J. and Gravano, L., 2015. k-Shape: Efficient and Accurate Clustering of Time Series. In Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data, pp.1855-1870.

.. [#Ren2019Time] Ren, H., Xu, B., Wang, Y., Yi, C., Huang, C., Kou, X., Xing, T., Yang, M., Tong, J. and Zhang, Q., 2019. Time-Series Anomaly Detection Service at Microsoft. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp.3009-3017.

.. [#Xu2022Anomaly] Xu, J., Wu, H., Wang, J. and Long, M., 2022. Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy. In International Conference on Learning Representations (ICLR).

.. [#Yeh2016Matrix] Yeh, C.C.M., Zhu, Y., Ulanova, L., Begum, N., Ding, Y., Dau, H.A., Silva, D.F., Mueen, A. and Keogh, E., 2016. Matrix Profile I: All Pairs Similarity Joins for Time Series Subsequences. In 2016 IEEE 16th International Conference on Data Mining (ICDM), pp.1317-1322.

.. [#Ding2019DOMINANT] Ding, K., Li, J., Bhanushali, R. and Liu, H., 2019. Deep Anomaly Detection on Attributed Networks. In Proceedings of the 2019 SIAM International Conference on Data Mining, pp.594-602. SIAM.

.. [#Liu2022CoLA] Liu, Y., Li, Z., Pan, S., Gool, T., Xiang, T. and Gong, B., 2022. Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning. In Proceedings of the ACM Web Conference 2022, pp.2137-2147.

.. [#Xu2022CONAD] Xu, Z., Huang, X., Zhao, Y., Dong, Y. and Li, J., 2022. Contrastive Attributed Network Anomaly Detection with Data Augmentation. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pp.444-457. Springer.

.. [#Fan2020AnomalyDAE] Fan, H., Zhang, F. and Li, Z., 2020. AnomalyDAE: Dual Autoencoder for Anomaly Detection on Attributed Networks. In Proceedings of the 29th ACM International Conference on Information and Knowledge Management, pp.747-756.

.. [#Yuan2021GUIDE] Yuan, X., Zhou, N., Yu, S., Huang, H., Chen, Z. and Xia, F., 2021. Higher-Order Structure Based Anomaly Detection on Attributed Networks. In 2021 IEEE International Conference on Big Data, pp.2691-2700. IEEE... [#Li2017Radar] Li, J., Dani, H., Hu, X. and Liu, H., 2017. Radar: Residual Analysis for Anomaly Detection in Attributed Networks. In Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence, pp.2152-2158.

.. [#Peng2018ANOMALOUS] Peng, Z., Luo, M., Li, J., Liu, H. and Zheng, Q., 2018. ANOMALOUS: A Joint Modeling Approach for Anomaly Detection on Attributed Networks. In Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence, pp.3529-3535.

.. [#Xu2007SCAN] Xu, X., Yuruk, N., Feng, Z. and Schweiger, T.A.J., 2007. SCAN: A Structural Clustering Algorithm for Networks. In Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.824-833.

.. [#Liu2024TSB] Liu, Q., Boniol, P., Palpanas, T. and Paparrizos, J., 2024. TSB-AD: Towards A Reliable Time-Series Anomaly Detection Benchmark. In Advances in Neural Information Processing Systems (NeurIPS).

.. [#Liu2022BOND] Liu, K., Dou, Y., Zhao, Y., Ding, X., Hu, X., Zhang, R., Ding, K., Chen, C., Peng, H., Shu, K., Sun, L., Li, J., Chen, G.H., Jia, Z. and Yu, P.S., 2022. BOND: Benchmarking Unsupervised Outlier Node Detection on Static Attributed Graphs. In Advances in Neural Information Processing Systems (NeurIPS).