Compartir información puede volver indistinguibles los nodos
Modelos de grafo usan relaciones entre componentes, entidades o elementos científicos. Comunicar vecinos reúne contexto, pero repetir borra diferencias útiles. Cuatro nodos, un valor y promedio local permiten calcular qué se conserva, atenúa o desaparece al primer paso.
Resumen.Ciclo no dirigido de cuatro nodos, P=.5 I+.25 A, autovalores 1,.5,.5,0. Alternado(1,−1,1,−1)desaparece en un paso;(1,0,−1,0)reduce amplitud mitad, varianza cuarto. Estudiamos constante, variante lenta y oscilación sin peso propio. Sin GNN entrenada, no prueba fracaso de toda arquitectura profunda.
Grafo y actualización
Las aristas 1–2,2–3,3–4,4–1 son bidireccionales y cada nodo tiene dos vecinos. A vale 1 si existe enlace y 0 en otro caso; I es la identidad. Cada actualización conserva la mitad del valor propio y añade un cuarto de cada vecino. Los pesos no negativos suman 1: son coeficientes de promedio, no probabilidades de clase. No hay pesos aprendidos, activaciones no lineales ni identificadores de nodo como características.
h es columna de cuatro valores sin unidades, k pasos. P@h promedia simultáneamente valores previos; actualizar en sitio usando nuevos valores cambia algoritmo y depende del orden. Producto matricial evita ambigüedad. Psimétrica y columnas suman 1: media global conservada.
Una señal que desaparece de inmediato
Partimos de h⁽⁰⁾=(1,−1,1,−1). Para el nodo 1, .5 × 1+.25 ×(−1)+.25 ×(−1)=0; en los demás sucede lo mismo. Un paso elimina todo contraste alternado aunque el grafo siga conectado y todos reciban mensajes. Si esas diferencias eran útiles, reunir contexto no las enriqueció. Tampoco podemos reconstruir la entrada usando solo la salida: una entrada completamente nula daría el mismo resultado.
Podemos interpretar la pérdida sin inventar un benchmark. Asignamos etiquetas(1,0,1,0) y dejamos que un clasificador determinista vea únicamente el valor promediado, sin identidad ni otras características. Cuatro ceros obligan a responder igual y acertar como máximo dos de cuatro. Es una limitación de representación en el conjunto construido, no exactitud de test. Conservar entradas u otra información cambia la premisa.
Los autovalores muestran qué diferencias sobreviven
Un autovector es una dirección de señal que el operador escala sin mezclarla con otras; el factor es su autovalor. Repetir P eleva ese factor a una potencia. Aquí podemos comprobarlo multiplicando: se conserva el vector constante, dos modos se reducen a la mitad y el alternado se anula. Los cuatro vectores independientes forman una base para cualquier entrada.
La componente constante contiene la media global. Al crecer k desaparecen los modos de autovalor.5 y u₄ ya se perdió, así todos los nodos se acercan a la misma media. Aislamos ese exceso de suavizado, sin afirmar que toda GNN use P o que un grafo irregular converja a media aritmética: grados y normalización importan. La prueba corresponde a las hipótesis declaradas, no al nombre del modelo.
Medir la pérdida de contraste
Para h⁽⁰⁾=(1,0,−1,0), obtenemos(.5)ᵏh⁽⁰⁾. La varianza entre nodos promedia desviaciones cuadradas y divide por 4 porque describe todos los nodos, no estima una población aleatoria. Media cero y varianza inicial.5; reducir desviaciones a la mitad reduce cuadrados a un cuarto. La fórmula cuantifica el contraste de la figura.
| Pasos k | Varianza entre nodos |
|---|---|
| 0 | 0.5 |
| 1 | 0.125 |
| 5 | 0.00048828125 |
| 10 | 0.0000004768371582 |
Dos cautelas: el vector constante(1,1,1,1) tiene varianza cero y permanece, no se borra. En el regular, los signos positivos y negativos sobreviven a pasos finitos en aritmética ideal: menos varianza no prueba menos exactitud. El alternado sí mostró pérdida irreversible. Hay que identificar información útil para la tarea, no solo una cifra pequeña.
Si invertimos el modo regular tras 10 pasos multiplicando por 1024, también amplificamos por 1024 cualquier error aditivo. Es álgebra, no ruido medido; el programa registra el factor sin simular errores experimentales. El modo de autovalor cero ni siquiera puede invertirse. Atenuación y cancelación exacta son problemas distintos.
¿Cambiar el peso propio cambia la conclusión?
Generalizamos con P_α=(1−α)I+αA/2:α regula información vecina frente a propia. Caso originalα=.5. Los mismos autovectores tienen factores 1−α y 1−2α. Ejecutamos tambiénα=.25 y 1 con entrada alternada y guardamos seis estados. Cambiamos una regla lineal, no entrenamos otra red.
| α | Factor alternado | Tras un paso |
|---|---|---|
| 0.25 | 0.5 | (0.5,−0.5,0.5,−0.5) |
| 0.5 | 0 | (0,0,0,0) |
| 1 | -1 | (−1,1,−1,1) |
Conα=.25 el contraste se reduce a la mitad, no desaparece. Para 0<α<1 todos los factores no constantes tienen módulo menor que 1: ralentizar no elimina atenuación eventual. α=0 no intercambia. α=1 quita peso propio y, en este ciclo bipartito, el alternado cambia signo siempre con varianza 1, sin converger. Importan grafo, autoenlaces y operador; no basta decir que toda media iguala todo.
Relación con investigación de GNN
Li, Han y Wu analizan suavizado laplaciano en Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning, arXivv 1 del 22 enero 2018. Leímos derivaciones, condiciones del teorema y protocolo: Cora, CiteSeer, PubMed, configuraciones y etiquetas concretas,50 ejecuciones y 10 para PubMed. Nuestro ciclo no reproduce datos, coentrenamiento ni resultados. Explica independientemente un mecanismo fundacional, no resume el estado del arte 2026.
Redes reales añaden transformaciones aprendidas, no linealidad, enlaces que preservan entrada u otras agregaciones. Concatenar entrada original conserva señal disponible, pero no garantiza que entrenamiento la aproveche. No elegimos mejor arquitectura: alcance de comunicación, pérdida de contraste y calidad deben demostrarse con evidencias distintas.
Paquete usa NumPy 2.5.3 y Python 3.14.0, sin azar. Aserciones comprueban productos; residuo de orden 10⁻¹⁶del autovalor cero se trata con tolerancia, no se confunde con cero algebraico. Promedio disperso de dcaracterísticas, nodos n y enlaces e cuesta O((n+e)d)por paso. Matriz densa 4 × 4 facilita inspección, no mide escalabilidad o productos EL-AI.
Más pasos transmiten señales, no añaden automáticamente información útil. Un contraste desaparece y otros se atenúan según autovalores; preservar media no conserva diferencias. Beneficio debe demostrarse en la tarea y en información necesaria, no inferirse del número de mensajes como medida universal de comprensión.
from experiment import P
import numpy as np
h=np.array([1.,-1.,1.,-1.])
print(P@h, np.linalg.eigvalsh(P))Código, datos e instrucciones · JSON. Cálculos didácticos ejecutados con Python 3.14.0; figuras con Matplotlib 3.11.2. Análisis asistido por IA, sin afirmar revisión por pares ni humana. Portada original ImageGen ilustrativa: no documenta personas, sedes ni instalaciones de EL-AI. Fuentes consultadas el 17 de octubre de 2026.