基础图卷积神经网络与GraphSage的区别及相关技术问题咨询

二者的核心差异可以分为3个核心维度：

• 学习范式差异：基础GCN是*直推式（transductive）学习，训练阶段需要用到全图所有节点、边的结构信息，无法直接泛化到训练阶段未见过的新节点；GraphSage是归纳式（inductive）*学习，训练阶段只学习邻居节点的聚合规则，不需要提前获取全图信息，可直接对新增节点生成表征。
• 聚合逻辑差异：基础GCN基于图拉普拉斯矩阵做归一化的加权平均聚合，聚合权重是基于节点度固定计算的，没有可学习参数；GraphSage支持自定义可学习的聚合函数，可选均值聚合、池化聚合、LSTM聚合等多种实现，灵活性更高。
• 大图适配性差异：基础GCN需要遍历目标节点的所有邻居节点计算表征，节点度较高时极易出现显存溢出问题，仅适合小规模图；GraphSage采用固定大小的邻居采样策略，不管节点原始度数多少，每次仅采样固定数量的邻居参与计算，可适配大规模工业级图场景。

GraphSage更适配无监督学习场景。基础GCN的无监督实现通常依赖全图邻接矩阵重构损失，必须用到全图结构信息，无法扩展到大图，也不能处理训练阶段未出现的新节点，无监督场景的落地限制极多。

GraphSage的无监督损失基于图结构的邻近性设计，核心逻辑是让图上相邻的节点表征相似度更高，不相邻的节点表征相似度更低，具体采用带负采样的交叉熵损失，定义如下：

对于任意目标节点u，其正样本为随机游走采样得到的邻近节点v，负样本为k个与u无连接的随机采样节点u_n，损失函数表达式为：
L(u, v) = -log(σ(z_u^T z_v)) - k·E_{u_n ~ P_n(u)} log(σ(-z_u^T z_{u_n}))
其中z_u为节点u经过GraphSage编码器输出的表征向量，σ为sigmoid激活函数，P_n(u)为负样本采样分布，工业实现中通常按节点度的幂律分布做负采样。

• 基础GCN原始论文：
  标题：Semi-Supervised Classification with Graph Convolutional Networks
  发表会议：ICLR 2017
  作者：Thomas N. Kipf, Max Welling
• GraphSage原始论文：
  标题：Inductive Representation Learning on Large Graphs
  发表会议：NeurIPS 2017
  作者：William L. Hamilton, Rex Ying, Jure Leskovec

内容的提问来源于stack exchange，提问作者Omar Rafique