📚 课程目录第4章 GraphSAGE模型架构

4. GraphSAGE 模型架构：前向传播过程、损失函数、无监督与有监督训练

GraphSAGE（Graph SAmple and aggreGatE）的核心思想是通过采样和聚合操作，将图结构中的节点特征与拓扑信息融合为固定长度的嵌入向量。本节将深入剖析其前向传播机制、损失函数设计以及两种训练范式的差异。

4.1 前向传播过程：采样与聚合

GraphSAGE 的前向传播分为两个关键阶段：邻居采样和特征聚合。与全图卷积不同，GraphSAGE 在每个批次中只对目标节点的局部邻域进行固定大小的采样，从而支持归纳式学习（Inductive Learning）。

  核心思想： 通过聚合局部邻域信息，将节点特征从输入空间映射到低维嵌入空间，使得结构相似的节点在嵌入空间中距离相近。

下图展示了 GraphSAGE 对单个目标节点进行两层聚合的前向传播流程：

前向传播的数学表达如下：

# 伪代码：GraphSAGE 前向传播
def forward(node_v, depth_K, weights_W, aggregators):
    # 初始化第0层特征为原始输入特征
    h_v[0] = x_v
    
    for k in range(1, depth_K + 1):
        # 1. 聚合邻居在第 k-1 层的特征
        h_N(v)[k] = AGG_k({h_u[k-1] for u in N(v)})
        
        # 2. 拼接自身特征与聚合后的邻居特征
        h_v[k] = σ(W_k · CONCAT(h_v[k-1], h_N(v)[k]))
        
        # 3. 归一化（可选）
        h_v[k] = h_v[k] / ||h_v[k]||₂
    
    # 返回最终嵌入
    z_v = h_v[K]
    return z_v

4.2 聚合函数对比

GraphSAGE 支持三种聚合函数，每种函数对邻域信息的处理方式不同，适用于不同的图结构特征：

聚合函数	计算方式	特点	适用场景
Mean 聚合	对邻居特征逐元素取均值	计算简单、参数少、对噪声鲁棒	同质性图（邻居特征相似）
LSTM 聚合	将邻居特征序列输入 LSTM	表达能力更强，但需对邻居随机排序	序列化特征、异质性图
Pooling 聚合	对每个邻居特征做 MLP + 逐元素 max/mean	对称性强、可捕捉最显著特征	特征维度高、需要降噪的场景

实践建议： 在模型看板漂移检测场景中，推荐使用 Mean 聚合 作为默认选择。它计算效率高，且对特征分布的整体偏移（如均值漂移）更为敏感，适合作为漂移检测的基线模型。

4.3 损失函数设计

GraphSAGE 的损失函数根据训练范式分为无监督损失和有监督损失两大类。

4.3.1 无监督损失函数

无监督训练的核心思想是：让图中相邻的节点具有相似的嵌入，而随机采样的负样本节点嵌入则相互远离。损失函数基于负采样的对比学习框架：

J_G(z_u) = -log(σ(z_u^T z_v)) - Q · E_{v_n ~ P_n(v)} [log(σ(-z_u^T z_{v_n}))]

其中：

z_u、z_v：节点 u 和其正样本邻居 v 的嵌入向量
σ：sigmoid 激活函数
Q：负样本数量（超参数，通常取 5~20）
P_n(v)：负采样分布（通常基于节点度分布）
z_{v_n}：负样本节点的嵌入

  无监督优势： 无需标签即可学习节点嵌入，适用于标签稀疏或缺失的漂移检测场景。嵌入空间的变化可直接反映图结构的漂移。

4.3.2 有监督损失函数

当任务具有明确的标签（如节点分类、链接预测）时，使用有监督损失函数。根据任务类型选择不同的损失：

任务类型	损失函数	公式
节点分类（多分类）	交叉熵损失	L = -∑ y_i · log(ŷ_i)
节点分类（二分类）	二元交叉熵损失	L = -[y·log(ŷ) + (1-y)·log(1-ŷ)]
链接预测	BCE + 负采样	L = -log(σ(z_u^T z_v)) - log(σ(-z_u^T z_{v_n}))
回归任务	均方误差（MSE）	L = (y - ŷ)²

4.4 无监督与有监督训练对比

两种训练范式在数据需求、目标、输出和应用场景上存在显著差异。下图从流程角度对比两种训练路径：

下表从多个维度对比两种训练范式的核心差异：

对比维度	无监督训练	有监督训练
标签需求	不需要标签	需要完整或部分标签
训练目标	保持图结构近邻性	最小化预测误差
损失函数	负采样对比损失	交叉熵 / MSE
嵌入通用性	高（可迁移到多种下游任务）	低（偏向特定任务）
漂移检测适用性	强（嵌入分布变化直接反映漂移）	中（需结合预测误差变化）
计算开销	中（需负采样）	低（直接计算损失）
典型应用	漂移检测、图聚类、可视化	节点分类、链接预测

注意： 在模型看板漂移检测场景中，推荐采用 两阶段策略：先使用无监督训练学习通用节点嵌入，再在嵌入空间上应用统计漂移检测方法（如 MMD、KS 检验）。有监督训练更适合作为下游分类器，用于判断漂移的具体类型。

4.5 训练流程总结

GraphSAGE 的完整训练流程可归纳为以下步骤：

数据准备： 构建图结构，提取节点特征，划分训练/验证/测试集。
邻居采样： 对每个目标节点，从不同跳数（hop）的邻域中采样固定数量的邻居。
前向传播： 逐层聚合邻居信息，生成节点嵌入。
损失计算： 根据训练范式选择无监督对比损失或有监督任务损失。
反向传播： 使用 SGD/Adam 优化器更新聚合函数参数和权重矩阵。
嵌入输出： 训练完成后，使用模型生成所有节点的嵌入向量，用于下游漂移检测任务。

  关键要点： GraphSAGE 的归纳式学习能力使其能够处理动态图和新节点的漂移检测。在模型看板中，只需保存训练好的聚合函数参数，即可对新到达的节点实时生成嵌入，无需重新训练整个模型。