稳定性理论如何塑造深度图学习以避免过度平滑？

过度平滑是同步而非单纯模糊

在深度图神经网络中，增加层数会扩大感受野，却常使节点表示越来越相似，抹去节点层面的区分。论文对此重新表述：把层深度视为时间、把层更新视为图耦合动力学，过度平滑就成为一种不受欢迎的动力学同步，节点特征向共同状态坍缩，偏离同步的偏差不断缩小。

这一重新表述的意义在于，它把含糊的“平滑过度”换成了一个稳定性问题。如果同步是一种状态，它的稳定性就可以逐模态评估，而这正是主稳定性曲线要完成的工作。

主稳定性曲线预测每个图模态

该框架在同步平衡点附近对节点动力学做线性化，把变分系统分解为 n 个独立的 q 维线性系统，每个对应一个图频率 µ。稳定性于是归结为模态矩阵 J − µC 的谱，并由主稳定性函数 Λ(µ) = max ℜ eig(J − µC) 概括。

对连通图而言，µ₁ = 0 是同步模态，k ≥ 2 的模态为非同步模态；偏差 ΔH 只在那些非同步模态上有支撑。因此若对所有 k ≥ 2 都有 Λ(µₖ) < 0，则每个非同步模态都是收缩的，节点层面的变化随深度衰减，表示最终坍缩。Λ(µ) 的符号与大小由此定义了论文在层设计中瞄准的三个区间。

三个区间区分衰减、增长与近临界

区间 I 是耗散的纯扩散情形：当 f ≡ 0 时 J = 0，对所有 µ ≥ 0 有 Λ(µ) = µΛ(1) ≤ 0，µ 越大裕度越负，高频非同步模态衰减越快。这重现了 GCN 这类热核式消息传递的过度平滑行为。

区间 II 是带限增长，受控的图灵不稳定性放大一段图模态而非抑制它们。区间 III 是弱衰减：稳定但近临界的传播，保持深度而不坍缩。论文的两个 SDGL 实例分别被设计在区间 II 和区间 III。

SDGL-DI 形成特征图案，SDGL-NC 保持近临界

SDGL 有两个互补实例。SDGL-DI 诱发受控的图灵不稳定性，用空间图案形成取代同步，打开一个带限放大窗口。SDGL-NC 维持稳定的近临界传播，让系统贴近临界边界而不是任其衰减。

机制在附录推导中很明确。SDGL-DI 使用 Schnakenberg 型反应，其逐坐标雅可比在 det(Jⱼ) > 0、Bⱼ > 0 且 Δⱼ > 0 时产生不稳定带，该带由 µ±,ⱼ = (Bⱼ ± √Δⱼ) / (2 C_R C_F) 给出。SDGL-NC 使用捕食者—猎物反应，其共存平衡点的局部特征值为纯虚数 λⱼ,± = ±i√(αⱼγⱼ)，实部为零，作为近临界起点，再由扩散通过 J − µC 逐模态移动。

30 层与 60 层仍保持深度扩展

任务层面的测试改变层数，并在两个代表性基准上测量节点分类准确率：同配数据集 Photo 和异配数据集 Chameleon。GCN 与 GAT 随层数增加迅速退化，与深度导致的退化和过度平滑一致。SDGL-DI 与 SDGL-NC 则在各深度保持稳定，即使在 30 层和 60 层区间也维持较强的预测性能。

这一效应在同配的 Photo 基准上尤其明显：模型变深后 GCN 与 GAT 准确率大幅下降，而两个 SDGL 变体在所有测试深度都保持接近饱和的性能。在异配的 Chameleon 基准上，朴素平滑往往更有害，因为相邻节点可能携带不兼容的标签信息，两个 SDGL 变体在较大深度仍明显优于 GCN 与 GAT，性能衰减也小得多。

狄利克雷能量轨迹对应三个预测区间

论文用归一化狄利克雷能量 E(H(n)) = ½ Σ_{(i,j)∈E} Ãᵢⱼ ‖hᵢ⁽ⁿ⁾ − hⱼ⁽ⁿ⁾‖²₂ 量化平滑程度，在相同归一化下等价于 tr((H⁽ⁿ⁾)ᵀ L̃ H⁽ⁿ⁾)。能量越小表示表示越平滑，衰减到零表示向同步坍缩。参照 GraphCON，作者在 10×10 网格图上以随机初始化评估未训练的深层堆叠，层数 L = 100。

出现了三种轨迹。GCN 与 GAT 的狄利克雷能量快速衰减，表明非同步分量强烈收缩，属于区间 I 的经典过度平滑。SDGL-NC 让能量接近初始尺度、仅有轻微衰减，与区间 III 稳定的近临界传播一致。SDGL-DI 先提高能量然后饱和，与区间 II 中扩散诱导的不稳定性放大一段图模态一致。

谱增益与参数成本都利于深层 SDGL

谱增益曲线验证了近临界的说法。在 Cora 上，SDGL-NC 随 µ 增大而更具收缩性，对低频分量偏置更强，这与同配场景中更平滑的信号往往更具预测性相符。关键在于，SDGL-NC 在很宽的 µ 范围内仍保持远大于热核的增益，因此 ρ(T(µ))^L 衰减慢得多，支持深层传播而不发生过度平滑。

参数成本同样有利于稳定性塑形设计。在 Photo 上固定隐藏宽度为 128（GAT 使用 8 个注意力头），只改变传播层数，SDGL 随深度增长温和：从 L = 3 到 L = 60，SDGL-NC 的总参数从 0.196M 升到 0.255M，SDGL-DI 从 0.195M 升到 0.239M。GCN 与 GAT 增长陡峭得多，因为它们需要逐层权重矩阵，GAT 还需要反复的多头投影。在 60 层时，SDGL-NC 与 SDGL-DI 的参数分别比 GCN 少 4.14 倍和 4.40 倍，比 GAT 少 242 倍和 258 倍。在 L = 3 这样很小的深度，GCN 的参数可能更少，因为 SDGL 需要一次性成本把输入提升到两个相互作用场，但这一开销几乎与深度无关。

图级增益来自受控传播而非仅用图结构

在具有长程依赖的图级任务上，SDGL 相对 GraphGPS、BiGCN、EBGCN 和 UPFD 等强传播结构方法保持更优或极具竞争力。在报告的比较中，SDGL-DI 的准确率、精确率、召回率和 F1 均达到 0.970，SDGL-NC 为 0.968、0.969、0.966 和 0.968，而 UPFD 为 0.965、0.972、0.957 和 0.965，GraphGPS 为 0.968、0.972、0.952 和 0.960。作者将此解读为：增益并非仅来自使用图传播，而来自控制深层传播如何在多跳中保留有信息量的变化。

适用范围受实验覆盖所限：节点级基准包括同配的 Photo 和异配的 Chameleon，图级任务如 PolitiFact 和 GossipCop。稳定性框架是在同步平衡点附近的线性化变分系统上推导的，狄利克雷能量诊断使用 10×10 网格上随机初始化的未训练深层堆叠，因此这些轨迹检验的是传播行为而非训练后的任务准确率。论文自身的重点在于区间划分：SDGL-DI 用于带限放大，SDGL-NC 用于稳定的近临界传播，二者之间的选择取决于目标图是受益于保留变化，还是受益于选择性放大一段模态。

本文引用的文献