对图神经网络的过平滑问题的一点粗浅见解（真·很肤浅的看法）

针对图信号的低通滤波特性：

不好意思放错了，是这个：

（请忽略我寒酸的草稿纸和顺时针90°的格式…貌似CSDN的编辑器没有能旋转的功能呢）
不影响不影响，截图然后旋转就行啦（涩图都给你们了，别在意这些细节~）

发现这个图信号在和其特征矩阵做相似性度量的内积。而在图谱领域里，节点的图信号与特征向量做内积其结果就是图的傅里叶变换，也由此有图的拉普拉斯矩阵： $Lx = V\lambda V^T=<x·v>v=\hat xv$Lx=VλVT=<x⋅v>v=x^v
后一项就是对图的傅里叶变换做逆变换，所以输出的图信号可以写成若干以傅里叶变换基向量(没错，ko no 特征向量 da)和对应的若干图信号的加权多项式： $x = \sum_{k=1}^N \hat x_k v_k$x=k=1∑N​x^k​vk​

发现问题了吧！叠加过多的GNN_layer会导致多项式最后趋向于图中的某一个节点的特征（一般是选择的第一个节点的特征，所以上面的特征值矩阵 $diag=[1,0,0,...,0]$diag=[1,0,0,...,0]）
所以不能叠加很多GNN？

（目力一票大佬们正在赶来锤我的路上，我躺好了）