KNN图构建

一句话理解：当对象之间没有天然连边时，先计算相似度，再让每个对象连接最相似的K个邻居，就得到KNN图。

1. 为什么副作用需要“造一张图”

药物分子天然有化学键，而“恶心”和“头痛”之间没有直接可见的边。若想用图神经网络处理副作用，就必须规定哪些副作用应该互相传递信息。

A3Net采用频率轮廓：对每个副作用，收集它在所有训练药物上的频率，形成向量。两个副作用在不同药物上若呈现相似模式，就认为它们相似。

不要与最终向量混淆：这里的频率轮廓是从训练频率矩阵取出的一列原始标签，用来决定“哪些副作用连边”。它不是模型学习出的副作用表示。KNN先规定信息可沿哪些边传播；随后GAT才以MedDRA初始特征为输入，结合这些边学习最终副作用向量。

设副作用 $i$ 的频率轮廓为 $s_i$ ：

K控制图的稀疏程度：K太小，信息难传播；K太大，不相似的节点也会被连上，产生过度平滑和噪声。

两者只是在名称中都含K，目标完全不同。

若使用完整频率矩阵计算相似度，测试折的真实频率可能偷偷进入图结构，造成信息泄漏。正确流程是：

\text{先划分训练/测试}\rightarrow\text{遮蔽测试标签}\rightarrow\text{用训练矩阵构图}

A3Net公开脚本在每折中用遮蔽后的训练矩阵构建副作用图，这一点是正确的。自己复现时也必须保持顺序。

若测试对象是整种新药，该药物整行频率都应从构图依据中移除。否则模型虽然没直接看目标标签，却可能从该药物的其他副作用频率间接获得信息。

论文与warm-start脚本使用 $K=10$ ，但cold-start脚本默认参数是 $K=5$ 。这会改变副作用图的边，因此复现论文结果时应显式记录并比较两个设置，不能只依赖脚本默认值。