3. GraphSAGE 原理：采样与聚合机制、归纳式学习、邻居节点采样策略

GraphSAGE（Graph Sample and AggregatE）是反欺诈场景下最常用的归纳式图神经网络之一。与GCN等直推式模型不同，GraphSAGE不依赖全图结构，而是通过邻居采样和聚合函数为每个节点生成嵌入，天然适配欺诈图谱中频繁出现的新节点、新交易链路。

3.1 核心思想：归纳式学习

传统GCN在训练时需要整个邻接矩阵，一旦出现新节点就必须重新训练。GraphSAGE采用归纳式学习：学习一个“如何聚合邻居信息”的函数，而非学习节点本身的静态嵌入。这使得模型可以泛化到未见过的节点——在反欺诈中，这意味着新注册用户、新设备、新交易对手都能立即获得嵌入表示。

3.2 邻居节点采样策略

GraphSAGE不对所有邻居进行聚合，而是对每个节点的邻居进行固定大小采样。采样策略直接影响模型的计算效率和感受野。

• 均匀采样：从邻居中随机抽取K个节点。若邻居数不足K，则重复采样补齐；若超过K，则随机丢弃。实现简单，但可能丢失重要邻居信息。
• 加权采样：根据边权重（如交易金额、交互频次）进行概率采样。在反欺诈中，高金额交易邻居应获得更高采样概率。
• 分层采样：对1跳和2跳邻居分别设定采样数量（如S1=25, S2=10），控制感受野大小。这是GraphSAGE论文的默认策略。

# GraphSAGE 邻居采样伪代码（PyG 风格）
from torch_geometric.utils import k_hop_subgraph

def sample_neighbors(node_idx, edge_index, num_hops=2, sample_sizes=[25, 10]):
    """
    对目标节点进行多层邻居采样
    :param node_idx: 目标节点ID
    :param edge_index: 边索引 [2, E]
    :param num_hops: 采样跳数
    :param sample_sizes: 每跳采样数量
    :return: 采样后的子图节点集
    """
    subset, edge_index_sub, mapping, _ = k_hop_subgraph(
        node_idx, num_hops, edge_index, 
        relabel_nodes=True, 
        num_nodes=None,
        flow='source_to_target'
    )
    return subset, edge_index_sub

3.3 聚合机制

GraphSAGE的核心创新在于设计了多种可学习的聚合函数，用于将采样到的邻居信息融合到目标节点。不同聚合函数对欺诈图谱的敏感度不同。

聚合过程的核心公式如下：

# 第k层聚合与更新
h_v^(k) = σ( W_k · AGG( { h_u^(k-1), ∀u ∈ N(v) } ) + B_k · h_v^(k-1) )

其中：
- h_v^(k)  : 节点v在第k层的嵌入
- N(v)     : 采样后的邻居集合
- AGG      : 聚合函数（Mean/LSTM/Pooling）
- W_k, B_k : 可学习权重矩阵
- σ        : 非线性激活函数（如ReLU）

3.4 多层聚合与感受野

GraphSAGE通过堆叠K层聚合来捕获K跳邻域信息。每增加一层，感受野按采样大小指数级扩展。在反欺诈中，2层聚合通常足以捕获“交易对手的交易对手”这类间接关联。

• K=1：仅聚合直接邻居（如直接交易对手），感受野=采样数S1。
• K=2：聚合2跳邻居（如交易对手的其它交易对象），感受野=S1 × S2。
• K=3：聚合3跳邻居，感受野=S1 × S2 × S3。在欺诈图谱中，3跳往往引入过多无关节点，建议谨慎使用。

3.5 训练与推断流程

GraphSAGE的训练不依赖全图，而是通过批处理采样进行。每个batch随机选取一批目标节点，为每个目标节点采样邻居子图，然后在该子图上执行前向传播和反向传播。

# GraphSAGE 单步训练流程（伪代码）
for batch_nodes in dataloader:
    # 1. 为batch中每个节点采样2跳邻居
    sampled_nodes, edges = sample_neighbors(batch_nodes, edge_index, 
                                            num_hops=2, 
                                            sample_sizes=[25, 10])
    
    # 2. 前向传播：逐层聚合
    h = node_features[sampled_nodes]
    for layer in [agg_layer1, agg_layer2]:
        h = layer(h, edges)
    
    # 3. 计算损失（如交叉熵）
    loss = criterion(h[batch_nodes], labels[batch_nodes])
    
    # 4. 反向传播更新参数
    loss.backward()
    optimizer.step()

3.6 反欺诈场景下的采样策略调优

在真实反欺诈系统中，采样策略需要根据图谱特性进行调整。以下为常见调优方向：

• 度数分布适配：欺诈图谱中“超级节点”（如共用设备）度数可达数万，均匀采样会丢失大量信息。建议对度数超过阈值的节点采用对数采样或重要性采样。
• 时间衰减采样：欺诈行为具有时效性。对邻居按交易时间加权，近期交易获得更高采样概率，可提升对快速演变欺诈模式的捕获能力。
• 标签平衡采样：欺诈样本通常极度稀疏（<1%）。在采样时对欺诈节点的邻居进行过采样，可缓解类别不平衡问题。