立场: 谱域图神经网络既非谱域也不具优势进行节点分类
机器学习
2026-03-27 v2
摘要
谱域图神经网络(谱GNN)在节点分类方面承诺基于图的频率域滤波，却建立在不完整的理论基础之上。最近的工作表明，图拉普拉斯特征向量通常不具备真实傅里叶基的关键属性，但仍未解释谱GNN的实证成功。我们识别出两个理论缺陷：(1) 常用的"图傅里叶基"不具备图信号的经典傅里叶基的关键属性；(2) (n-1)次多项式(n为节点数)可以通过范德瓦尔斯系统对任何谱响应进行精确插值，因此通常的"多项式逼近"叙述在理论上并不成立。GCN的有效性常被归因于谱低通滤波，但我们证明低通与高通行为完全源自消息传递动力学，而非基于图傅里叶变换的谱 formulation。我们随后分析两个代表性定向谱模型，MagNet和HoloNet。它们报告的有效性并非来自谱域：它源于实现问题将其简化为强大的MPNN。当以声称的谱算法一致实现时，性能变得薄弱。这篇立场论文认为：对于节点分类，谱GNN既不真正捕获图的谱域，也不可靠地提高性能；竞争性结果更可靠地解释为它们等价于MPNN，有时辅以与其预期设计不一致的实现。
引用
@article{arxiv.2603.19091,
title = {Position: Spectral GNNs Are Neither Spectral Nor Superior for Node Classification},
author = {Qin Jiang and Chengjia Wang and Michael Lones and Dongdong Chen and Wei Pang},
journal= {arXiv preprint arXiv:2603.19091},
year = {2026}
}