GraphSAGE
GraphSAGE是一种归纳式图神经网络框架，通过对邻居节点进行采样和聚合来生成节点嵌入，支持在未见过的节点上进行推断，适用于大规模图数据的归纳学习任务
时间轴 (近 90 天)
与Transformer将输入视为序列、依赖自注意力机制捕捉长距离依赖不同，GNN显式地建模实体及其关系，典型架构包括GCN、GAT、GraphSAGE等。
常见 GNN 变体包括 GCN（基于谱近似简化）、GraphSAGE（采样聚合，适合大图）和 GAT（引入注意力加权邻居）。
在同样的 100 个样本中，GraphSAGE 图神经网络基线正确分类 67 个样本，优于 Gemma 4 31B 的 55 个。
GraphSAGE 是 Hamilton 等人于 2017 年提出的一类归纳式图神经网络，全称 Graph SAmple and aggreGatE。
GraphSAGE 的核心思想是对目标节点采样固定数量的邻居，再通过聚合函数逐层汇聚邻居特征，使其可以在未见过的节点上做推理。
GraphSAGE 的核心创新在于采样邻居加可学习的聚合函数，使 GNN 能扩展到大规模图并支持归纳式学习
GraphSAGE 学习聚合函数而非固定嵌入，使模型可泛化到训练时未见过的新节点，实现归纳式学习
GraphSAGE于2017年提出，通过采样邻居节点实现了大规模图上的归纳式学习
GraphSAGE、GAT等图神经网络架构已在社交网络分析、分子性质预测等场景中展现能力
全部知识事实 (9)
与Transformer将输入视为序列、依赖自注意力机制捕捉长距离依赖不同，GNN显式地建模实体及其关系，典型架构包括GCN、GAT、GraphSAGE等。
50%待验证常见 GNN 变体包括 GCN（基于谱近似简化）、GraphSAGE（采样聚合，适合大图）和 GAT（引入注意力加权邻居）。
50%待验证在同样的 100 个样本中，GraphSAGE 图神经网络基线正确分类 67 个样本，优于 Gemma 4 31B 的 55 个。
50%待验证GraphSAGE 是 Hamilton 等人于 2017 年提出的一类归纳式图神经网络，全称 Graph SAmple and aggreGatE。
50%待验证GraphSAGE 的核心思想是对目标节点采样固定数量的邻居，再通过聚合函数逐层汇聚邻居特征，使其可以在未见过的节点上做推理。
50%待验证GraphSAGE 的核心创新在于采样邻居加可学习的聚合函数，使 GNN 能扩展到大规模图并支持归纳式学习
50%待验证GraphSAGE 学习聚合函数而非固定嵌入，使模型可泛化到训练时未见过的新节点，实现归纳式学习
50%待验证GraphSAGE于2017年提出，通过采样邻居节点实现了大规模图上的归纳式学习
50%待验证GraphSAGE、GAT等图神经网络架构已在社交网络分析、分子性质预测等场景中展现能力
50%