Prism：基于二阶约束拉普拉斯投影的结构对称扫描

我们提出 **Prism**，一个用于复杂网络结构对称诊断的框架。给定图拉普拉斯算子 $L$ 和二阶对称算子 $P$（对称反演），Prism 计算 **二阶缺陷** $\delta(L,P) = \|LP - PL\|_F / \|L\|_F$——这是一个衡量网络偏离结构自洫性的标量。当 $P$ 编码网络的真实对称时，$\delta$ 初始值接近零，随结构退化单调上升；任意 $P$ 给出噪声信号。我们证明满足 $[L', P] = 0$ 的最优 $L'$ 通过闭式块对角投影给出，并提供一种无监督的交替优化方法，从图的费尔德向量中学习 $P$。在合成网络实验中，真实-$P$ 缺陷比指数翻转基准和模块性更敏感，灵敏度提升 $3.38\times$。在带边缘噪声的 Zachary karate 俱乐部数据集上，Prism 在 $5\%$ 噪声下实现 $94.5\%$ 的社区检测准确率，而原始拉普拉斯基准仅为 $76.6\%$。应用于 live S\&P~500 数据（2026-05-17），Prism 检测到结构应力上升（缺陷从 $0.43$ 上升至 $0.73$，历经 90 天），而表面相关性保持低位——这一信号对基于相关性的方法而言是不可见的。在 2011--2020 年历经五次重大危机的历史回测中，二阶缺陷呈现一致模式：它在每场危机伴随的相关性尖峰 **之前** 达到 elevated 水平，并在结构脆弱期间维持高读数，而常规指标则将其分类为平静时期。二阶缺陷是一种首次原理结构可接受性条件，无需训练数据即可在毫秒级计算完成。