yzhao062/pyod

A Python library for anomaly detection across tabular, time series, graph, text, image, and audio data. 60+ detectors, benchmark-backed ADEngine orchestration, and an agentic workflow for AI agents.

PyOD – Python 外れ値検出 (v3)

概要 – 成熟したオープンソースの Python ライブラリで、多くのデータモダリティ（表形式、時系列、グラフ、テキスト、画像、音声）向けの 60 以上の異常検出アルゴリズムをバンドルしています。バージョン 3 では、エージェント対応 のオーケストレーション層である ADEngine と、自然言語スキル（od-expert）が追加され、大規模言語モデルエージェント（Claude Code、Codex、または MCP 互換の LLM）がコードを書かずに検出ワークフローを駆動できるようになりました。

主要な柱

柱	意味
マルチモーダル	6 つのデータタイプにわたる 61 の検出器をカバーする統一 API。
フルライフサイクル	生データからスコア付き異常、説明、次のステップのガイダンスまで、1 回の呼び出しで。
エージェント駆動	LLM は `od-expert` スキルまたは MCP ツール（例：`list_detectors`、`run_detection`）を介して PyOD を呼び出すことができます。
最も使用されている	>46M ダウンロード、ベンチマークに基づくモデルルーティング、多くのエンタープライズ採用者。

クイックインストール

pip install pyod                     # コアライブラリ
# エージェント用のオプションの拡張機能
pip install pyod[mcp]                # MCP 互換の LLM
pyod install skill                    # Claude Code / Codex スキルをインストール

いつでも pyod info を実行して、バージョン、検出器の数、環境に一致するアクティベーションパスを確認できます。

最小限の例（クラシック API）

from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)                     # 正常なパターンを学習
train_scores = clf.decision_scores_  # トレーニングデータの異常スコア
test_scores  = clf.decision_function(X_test)  # 新しいデータのスコア

同じ fit/predict インターフェースは、61 の検出器すべてで機能します。

3 つの使用レイヤー

レイヤー	使用するタイミング	エントリポイント
1 – クラシック API	使用する検出器がわかっている場合。	`from pyod.models.<mod> import <Detector>`
2 – ADEngine	PyOD に検出器の自動選択、比較、評価を任せる場合。	`from pyod.utils.ad_engine import ADEngine`
3 – エージェント駆動	LLM との自然言語対話を通じて検出を駆動する場合。	`od-expert` スキル（Claude Code / Codex）または MCP サーバー（`python -m pyod.mcp_server`）。

レイヤー 2 と 3 は ADEngine によって支えられており、データプロファイリング、モデルルーティング、トレーニング（SUOD 並列処理）、スコアリング、結果の説明をオーケストレーションします。

エージェント駆動の対話（例）

Claude Code または Codex ユーザーは、「胎児心拍数データセットで異常な心拍パターンを見つけてください。」 のようなリクエストを入力できます。od-expert スキルはリクエストを ADEngine ワークフローに変換し、選択された検出器を実行し、簡潔な説明と次のステップの提案を返します。MCP サーバーは、MCP 互換の LLM が呼び出せる 10 のステートレスツール（例：list_detectors、plan_detection、run_detection）を公開します。

エコシステムとベンチマーク

ベンチマーク：ADBench（表形式）、NLP-ADBench（テキスト）、TSB-AD（時系列）、BOND（グラフ） – すべてドキュメントからリンクされています。
関連プロジェクト：PyGOD（グラフ AD）、TODS（時系列）、AD-LLM（LLM 駆動の AD）など。
パフォーマンス：SUOD に基づく高速並列トレーニングと、Numba JIT によるモデルごとの高速化。

ドキュメントとリソース

完全な API リファレンス：https://pyod.readthedocs.io/en/latest/（表形式、時系列、グラフ、埋め込み、ADEngine、ユーティリティ）。
インストールガイド、チュートリアル、サンプルギャラリーはドキュメントサイトでホストされています。
インパクトページには、学術引用、エンタープライズ展開（Walmart、Databricks、Ericsson など）、書籍、コース、ポッドキャストがリストされています。

PyOD を選ぶべきタイミング

多くの異常検出アルゴリズムとデータタイプをカバーする 単一のライブラリ が必要な場合。
大規模なベンチマークに基づく 自動モデル選択 が必要な場合。
検出を LLM 駆動のワークフロー（Claude、Codex、または MCP 互換モデル）に統合する予定がある場合。
最新のオーケストレーション機能を備えつつ、安定した後方互換性のある API（fit/predict）を重視する場合。

ライセンス

BSD-3-Clause ライセンスの下でオープンソース。