PyTorch Geometric构建的GNN二分类模型仅预测单一标签问题排查

数据集与标签检查 #

• 统计全数据集的标签分布：293个样本的混淆矩阵显示模型从未预测正类，首先确认正样本总数量是否为0或者占比极低，极度不平衡的类别分布会让模型倾向于预测占比更高的类别以获得更低的损失。
• 验证标签加载逻辑：确认所有Data对象的y值是否正确赋值为0/1，是否存在加载时全部被覆盖为0的问题；同时检查训练/测试集划分逻辑，确认正样本没有被全部划分到同一集合、或者没有被纳入训练过程。
• 匹配标签维度：你给出的首个样本格式为Data(x=[75, 4], edge_index=[2, 346], edge_attr=[346], y=[1], pos=[75, 2])，其中y为长度为1的张量，计算损失前需要调用.squeeze()去掉多余维度，否则维度不匹配会导致损失计算完全失效。
• 检查图级别读出层逻辑：确认全局池化（平均/求和/最大池化）是否正确作用在节点维度，有没有把节点特征和图级别特征混淆，导致最终输出的图特征和标签完全无关。

模型结构与输出逻辑检查 #

• 匹配最后一层输出与损失函数：二分类任务如果使用CrossEntropyLoss，最后一层输出维度应为2，无需提前加Softmax；如果使用BCEWithLogitsLoss，最后一层输出维度应为1，无需提前加Sigmoid，错误的维度或激活函数会导致输出全部偏向某一类别。
• 验证预测逻辑是否正确：确认输出结果的索引取值逻辑是否正确，比如多分类输出是否错误使用argmax(dim=0)而非argmax(dim=1)，或者二分类概率阈值设置异常（比如阈值设为1导致所有输出被判为负类）。
• 排查梯度消失问题：打印每个epoch的损失值，如果损失全程无下降或波动极小，说明梯度没有正常传递。可检查是否GNN层数过多导致过平滑，或者激活函数使用不当导致大量神经元失活，可尝试替换为GAT、GIN等表达能力更强的GNN基算子。

训练流程检查 #

• 确认损失函数使用正确：不要给二分类任务错误使用回归类损失，同时确认计算损失时传入的预测值、真实标签的顺序和维度是否匹配。
• 调整优化器配置：学习率过大可能导致模型不收敛，过小可能无法学到有效特征，可尝试调整学习率、加入学习率衰减策略，或者更换优化器（比如从SGD更换为Adam）。
• 确认训练模式切换正确：训练前要调用model.train()，测试前要调用model.eval()，同时确认每次训练迭代前是否正确清空了梯度，避免梯度累计异常。

内容的提问来源于stack exchange，提问作者DigiPath