共享信息可能使节点无法区分
图模型利用部件、文档实体或科学对象关系。邻居通信收集背景，但反复交换可抹去任务差异。四节点、各一值、反复局部平均的完全可算例，展示保留、衰减及首步消失的信号。
摘要。四节点无向环P=.5 I+.25 A，A为邻接，特征值1,.5,.5,0。交替(1,−1,1,−1)一步归零，(1,0,−1,0)逐步幅度减半方差四分之一。研究常量、慢混合变体及无自权振荡。这是线性实验，未训练GNN，不证明所有深层架构失败。
图和更新规则
边1–2、2–3、3–4、4–1双向，各两邻。A边为1否则0，I单位矩阵。更新保自身一半加各邻四分之一。非负行权和1，是平均系数非类别概率。无学习权重、非线性或节点ID特征。
h为四维无量纲列，k为步数。P@h同时用旧步值平均；若立即使用刚更新邻值则另成依赖顺序算法。矩阵乘避免歧义。本规则图P对称、列和也1，保全局均值。
一步消失的信号
从h⁽⁰⁾=(1,−1,1,−1)出发，节点1为.5 × 1+.25 ×(−1)+.25 ×(−1)=0，其他同理。连通且有消息也在一步抹掉交替对比；若此差异有用，更多背景并未丰富它。仅结果无法还原输入，全零输入也产生同结果。
为有限表示论证，构造标签(1,0,1,0)，确定分类器仅看平均值、不含ID其他特征。四零强制同答，最多2/4正确。这是构造集限制非测试准确率，保留原输入或其他信息会改变前提。
特征值说明哪些差异存活
特征向量方向不被混到其他方向，仅乘特征值。反复P把该分量乘特征值幂。直接相乘验证常量保留、两个模式减半、交替归零。四独立向量成基，任意输入可分解。
常量分量含全局均值，其余半特征值模式随k趋零，u₄已丢，各节点趋同均值。这隔离过平滑，不表示所有GNN用此矩阵，非规则图或不同归一化未必趋算术均值。证明仅对声明P有效。
衡量对比损失
对h⁽⁰⁾=(1,0,−1,0)，h⁽ᵏ⁾=(.5)ᵏh⁽⁰⁾。节点间方差是偏差平方平均，除4因描述全节点非随机总体估计。均值零初方差.5，偏差减半使平方四分之一。公式量化对比损失。
| 步数k | 节点间方差 |
|---|---|
| 0 | 0.5 |
| 1 | 0.125 |
| 5 | 0.00048828125 |
| 10 | 0.0000004768371582 |
两点防止误用：常量(1,1,1,1)方差零却保留非抹掉；平滑信号正负在理想算术有限步保持，方差降不单独证明准确率降。交替信号才有精确不可逆损失。分析需说明任务信息，非只展示变小指标。
10步后逆平滑模式需乘2¹⁰=1024，也把加性表示误差放1024倍。这是代数非设备噪声测量，代码存增益但未模拟噪声。零特征值模式根本不可逆。衰减与精确消除不同。
改变自身权重会改变结论吗？
推广P_α=(1−α)I+αA/2，α控制邻居与自身比例，原α=.5。同特征向量平滑因子1−α、交替1−2α。代码另跑.25和1的交替输入前六状态，仅变线性规则非新训练网络。
| α | 交替因子 | 一步后 |
|---|---|---|
| 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) |
α=.25使交替减半非立刻消失；0<α<1非恒常因子模小于1，放慢不消最终衰减。α=0不交换。α=1去自身权，二部环交替模式永久翻号、方差1不收敛。因此收敛取决图、自连接与算子，不能泛称平均总趋同。
例子与GNN研究的联系
Li、Han、Wu的Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning（arXivv 1,2018年1月22日）分析拉普拉斯平滑，已读推导定理条件实验。特定Cora、CiteSeer、PubMed协议报告50次、PubMed 10次。本环不复现数据、协同训练或结果，仅独立解释基础线性机制，非2026前沿综述。
真实网络有学习变换、非线性、保输入连接或其他聚合。拼接原输入使信号仍可用，不保证训练用好。本文不选最优架构，而要求深度益处解释分别验证通信范围、对比损失和任务质量。
代码NumPy 2.5.3/Python 3.14.0无随机，断言检查乘积。特征求解器零附近10⁻¹⁶用容差处理，不同于证明代数零。n节点e边d特征稀疏平均每步O((n+e)d)，此用稠密4 × 4便于检查非扩展测量。未测EL-AI准确性能。
多步使信号传播，却不自动增加有用信息。一种对比立即消失、其他按特征值衰减；保均值不等于保对象差异。图模型益处需在任务信息上证明，不以消息次数当通用理解指标。
from experiment import P
import numpy as np
h=np.array([1.,-1.,1.,-1.])
print(P@h, np.linalg.eigvalsh(P))代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 10 月 17 日。