归纳式 GCN 中测试图扩展对节点预测的影响
任务：根据论文的关键词特征和引用关系，预测论文属于 AI 还是物理领域。每个节点显示关键词得分 x 和预测的 AI 概率。x 为正表示 AI 关键词占优，为负表示物理关键词占优。
这是合成示例。输入特征为 [x, 1]。模型已在其他引用图上训练，以下每一步只改变测试图，模型权重保持固定。引用关系在 GCN 中按无向边处理。
测试图依次增加
加入前后
两侧相同字母表示同一篇论文，位置保持一致。只高亮当前这一步新增的内容。
加入后
原有引用关系 本步新增的边 本步新增的论文 AI 概率变化至少 1 个百分点
逐节点输入与预测
列出本步加入后图中的全部节点。新增论文在加入前尚不存在，变化栏也不适用。点击论文行可在图中定位。
| 论文 | 关键词得分 x | 加入前 AI 概率 | 加入后 AI 概率 | 变化（百分点） |
|---|
GCN 层数与变化范围
保持当前新增步骤，分别使用 1–4 层模型。点击一行即可切换上方两张图的层数。
| GCN 层数 | 所选论文：加入前 AI 概率 | 所选论文：加入后 AI 概率 | 该论文变化（百分点） | 变化 ≥ 1 个百分点的原有论文 |
|---|
每个层数的模型分别在相同训练图上训练。层数影响消息可到达的范围；具体概率变化还受各模型学到的权重影响。采用带自环的对称度归一化 GCN，连接点的度改变也会影响其原有邻居在第一层收到的消息。