1. 课程导论：GraphSAGE 模型看板漂移检测的背景、目标与课程整体架构
1.1 背景：为什么需要关注图数据中的漂移？
在工业级图神经网络（GNN）生产环境中，模型部署后的性能衰减是普遍痛点。传统表格数据的漂移检测（如 PSI、KS、DDM）无法直接迁移到图结构数据，原因在于：
- 节点间依赖：样本并非独立同分布，单个节点的特征变化会通过消息传递影响邻居。
- 结构动态性：边的新增/删除会改变局部子图拓扑，导致聚合计算偏移。
- 多模态漂移：特征漂移、结构漂移、标签漂移可能同时发生，且相互耦合。
GraphSAGE 作为归纳式图表示学习经典模型，其采样-聚合范式在生产中面临独特的漂移挑战：采样分布偏移、聚合权重退化、嵌入空间坍缩。因此，构建专为 GraphSAGE 设计的模型看板漂移检测系统，是保障图学习服务长期可靠运行的关键。
核心痛点： 图数据漂移 ≠ 表格数据漂移。忽略图结构依赖的检测方案，误报率可高达 40% 以上。
1.2 课程目标
本课程旨在培养学员端到端构建 GraphSAGE 模型看板漂移检测系统的能力。完成本课程后，学员将能够：
| 能力维度 | 具体目标 | 交付物 |
|---|---|---|
| 理论 | 理解 GraphSAGE 聚合机制与图漂移的数学定义 | 漂移分类矩阵 |
| 工程 | 搭建基于 MLflow + Prometheus 的模型看板 | 可复现的监控流水线 |
| 算法 | 实现面向节点嵌入与子图结构的漂移检测器 | 检测器 Python 模块 |
| 实战 | 在 CiteSeer/PubMed 数据集上完成漂移注入与告警演练 | 看板截图 + 告警日志 |
1.3 课程整体架构
课程按“基础 → 检测 → 看板 → 实战”四阶段递进，共 30 章。整体架构如下：
1.4 核心概念：图漂移的分类
为统一后续章节的术语体系，我们将 GraphSAGE 场景下的漂移分为三类：
| 漂移类型 | 定义 | GraphSAGE 敏感环节 | 检测难度 |
|---|---|---|---|
| 特征漂移 | 节点属性分布随时间变化 | 聚合函数输入层 | 中 |
| 结构漂移 | 图拓扑（边/度）分布变化 | 邻居采样器、归一化系数 | 高 |
| 概念漂移 | 输入-标签映射关系改变 | 分类头、嵌入空间 | 高 |
提示： 本课程重点覆盖 特征漂移 与 结构漂移 的检测方法。概念漂移将在第 24 章作为进阶专题讨论。
1.5 技术栈全景
课程实战环节使用的核心工具与库：
- 图学习框架：PyTorch Geometric (PyG) 2.3+，DGL 1.1+
- 模型服务：MLflow 2.5+（模型注册、版本管理、指标追踪）
- 监控与告警：Prometheus + Alertmanager + Grafana
- 漂移检测库：Alibi Detect 0.11+（基于距离与密度的方法）
- 数据集：CiteSeer、PubMed、Reddit（GraphSAGE 原始论文基准）
1.6 系统架构预览
下图展示了最终要搭建的 GraphSAGE 模型看板漂移检测系统的完整数据流：
1.7 学习路径建议
根据学员背景不同，推荐以下学习路径：
| 学员画像 | 前置要求 | 重点章节 | 建议时长 |
|---|---|---|---|
| MLOps 工程师 | 熟悉 Prometheus/Grafana | 第 9-16 章（检测器）、第 17-24 章（看板） | 4 周 |
| 图算法研究员 | 熟悉 PyG/DGL | 第 1-8 章（基础）、第 25-30 章（实战） | 5 周 |
| 全栈学习者 | Python 3.8+，基础 ML 知识 | 全部章节按顺序学习 | 8 周 |
注意： 本课程不提供 GPU 集群环境。所有实验在 CPU 环境下即可完成（数据集规模 ≤ 10 万节点）。如需大规模图实验，请自行配置 GPU 资源。