3. GraphSAGE 原理：采样与聚合机制

GraphSAGE（Graph SAmple and aggreGatE）的核心思想是通过采样邻居节点和聚合邻居特征来生成目标节点的嵌入表示。与 GCN 的全图训练不同，GraphSAGE 采用归纳式学习，能够泛化到未见过的节点，非常适合动态图场景下的模型看板漂移检测。

3.1 邻居节点采样策略

GraphSAGE 不对所有邻居进行聚合，而是固定采样数量，保证计算图的可控性和批处理效率。采样策略直接影响模型对图结构的感知能力。

3.2 聚合函数详解

聚合函数是 GraphSAGE 的核心组件，负责将邻居节点的特征信息融合到目标节点。不同的聚合函数对图结构的建模能力不同，适用于不同的数据特性。

3.2.1 Mean 聚合器

对邻居节点特征取逐元素均值，再与目标节点自身特征拼接。计算简单高效，适合特征分布相对均匀的场景。

# Mean 聚合伪代码
def mean_aggregator(self_neighbor_features, neighbor_features):
    # neighbor_features: [num_neighbors, feature_dim]
    mean_neighbor = torch.mean(neighbor_features, dim=0)
    # 拼接自身特征与邻居均值
    combined = torch.cat([self_neighbor_features, mean_neighbor], dim=-1)
    return combined

3.2.2 LSTM 聚合器

将邻居节点视为序列输入 LSTM，利用其序列建模能力捕获邻居间的顺序依赖。由于图结构天然无序，需要对邻居进行随机排序以增强泛化能力。

# LSTM 聚合伪代码
def lstm_aggregator(neighbor_features):
    # neighbor_features: [num_neighbors, feature_dim]
    # 随机打乱邻居顺序
    shuffled = neighbor_features[torch.randperm(neighbor_features.size(0))]
    # LSTM 编码
    lstm_out, (h_n, c_n) = lstm(shuffled.unsqueeze(1))
    # 取最后一个时间步的隐藏状态
    return h_n.squeeze(0)

3.2.3 Pooling 聚合器

对每个邻居特征进行独立的全连接变换，再通过逐元素 max-pooling 或 mean-pooling 得到聚合结果。Pooling 聚合器具有对称性，对邻居顺序不敏感，且能捕获非线性特征交互。

# Pooling 聚合伪代码
def pooling_aggregator(neighbor_features):
    # neighbor_features: [num_neighbors, feature_dim]
    # 全连接变换 + 激活
    transformed = torch.relu(linear(neighbor_features))
    # Max-pooling
    pooled = torch.max(transformed, dim=0)[0]
    return pooled

3.3 聚合函数对比与选择