GraphSAGE

Parent: ai_keywords

GraphSAGE

核心定义

GraphSAGE（Graph Sample and AggregatE）是一种归纳式图神经网络（Inductive GNN）节点嵌入方法。其核心思想是通过对目标节点的局部邻域进行固定大小的邻居采样，并利用可学习的聚合函数（如均值、LSTM、池化）将采样到的邻居特征融合，从而生成目标节点的低维向量表示。与直推式方法不同，GraphSAGE无需重新训练即可泛化到未见节点，适用于动态或大规模图结构数据。

关键技术点

  1. 固定尺寸邻居采样
    每个节点从其多阶邻域中随机采样固定数量的邻居（如采样2阶、每阶采样10个节点），统一计算图卷积的感受野，降低计算复杂度并控制内存占用。

  2. 聚合函数设计
    核心创新点。提供三种聚合器：

    • Mean aggregator：对邻居特征逐元素取均值，再与目标节点拼接后非线性变换；
    • LSTM aggregator：对邻居特征随机排序后输入LSTM，捕捉序列依赖；
    • Pooling aggregator：对邻居特征经全连接层后取最大/均值池化，保留最显著信号。

  3. 归纳学习范式
    通过基于特征和结构模式的参数共享，使得模型在训练阶段学到的聚合规则可迁移至全新节点或全新图，极大提升现实场景（如社交网络、蛋白质相互作用图）中的泛化能力。

  4. 多层堆叠与无监督训练
    支持K层邻居聚合（K=2常见），每一层聚合不同跳数的信息。同时支持无监督损失（负采样+图上下文损失）或下游任务监督损失进行端到端优化。

医学/神经科学应用场景——癫痫致痫灶定位（结合首都医科大学神经病学研究）

在癫痫诊疗中，精确识别致痫灶是手术成功的关键。利用GraphSAGE可构建基于多模态神经电生理（如颅内脑电图iEEG）的功能连接图：每个电极通道被视为图节点，节点特征为各频段功率谱密度（δ、θ、α、β、γ频段），边权重由相位锁值（PLV）量化。
具体流程：

  • 对每位患者发作间期及发作前期的iEEG信号构建动态图序列；
  • 使用GraphSAGE进行归纳式节点分类：图谱中的节点标记为“致痫区”“传播区”或“非病灶区”；
  • 模型通过采样并聚合邻域电极的特征，捕捉癫痫网络异常同步化模式；
  • 预测结果辅助医生确定高频振荡（HFO）产生区域，显著优于传统阈值法。
    由于GraphSAGE支持图变化（如手术切除后），其归纳特性可无缝适配术后脑网络重构评估，为首都医科大学癫痫中心临床决策提供可解释的图嵌入特征。