第三章 图卷积网络（GCN）详解：消息传递机制、谱域与空域

好，咱们进入正题。GCN 这东西，说白了就是让图结构上的节点学会“社交”。每个节点不光看自己，还得看邻居在干啥。我刚开始接触这个领域时，也觉得不就是把卷积搬到了图上嘛。后来才明白，这里面的门道可深了。

3.1 消息传递范式——GCN 的灵魂

你想想看，图像卷积是拿一个固定大小的窗口滑过像素。图呢？邻居数量不固定，结构也没规则。怎么办？学术界想了个办法——消息传递。

消息传递分三步走：

1. 消息生成：每个节点把自己的特征包装成“消息”。
2. 消息聚合：邻居的消息汇到一起，用求和、平均或最大值啥的。
3. 特征更新：节点结合自己的旧特征和聚合来的邻居消息，算出新特征。

我在项目中遇到过最坑的事：有人直接把邻居消息求和，结果度大的节点特征值爆炸，训都训不动。后来加了个归一化系数，才稳下来。

H^(l+1) = σ( D̂^(-1/2) · Â · D̂^(-1/2) · H^(l) · W^(l) )

3.2 谱域 vs 空域——两大派系

GCN 发展过程中形成了两条技术路线。一条从傅里叶变换切入，另一条直接在图上操作。我给你捋一捋。

我记得刚读论文时，谱域那套数学把我整懵了好久。但实际写代码时发现，Kipf 那篇 GCN 其实把谱域简化成了空域形式——只取一阶切比雪夫近似。所以你现在用的 GCN 基本都是“谱域出身、空域长相”。

3.3 GCN 的消息传递细节——逐层拆解

咱们用一个分子图举例。假设每个原子是节点，化学键是边。原子特征可以是原子序数、手性、电荷啥的。

一层 GCN 干的事：

• 每个原子把自己的特征 × 权重矩阵，得到“消息”。
• 再从邻居原子那里收集消息，取平均（带归一化）。
• 经过 ReLU 激活，得到该层输出。

我在做分子性质预测时，发现两层 GCN 效果最好。一层只能看直接邻居，两层就能看到“邻居的邻居”。再深反而过平滑——所有节点特征变得一模一样，丧失了区分度。

class GCNLayer(nn.Module):
    def __init__(self, in_dim, out_dim):
        super().__init__()
        self.W = nn.Linear(in_dim, out_dim)
    def forward(self, x, adj_norm):
        # x: 节点特征 [N, in_dim]
        # adj_norm: 归一化邻接矩阵 [N, N]
        out = adj_norm @ x          # 邻居消息聚合
        out = self.W(out)           # 线性变换
        return F.relu(out)          # 非线性激活

3.4 从分子生成角度看 GCN

生成分子，通常不是直接造出完整的图。而是逐原子、逐键地生成。GCN 在这里扮演“特征提取器”的角色——把当前部分分子的拓扑信息编码成向量，供下一步决策用。比如，决定下一个原子该连到哪个位置。

常见的分子生成流程：

1. 用 GCN 编码当前部分分子图 → 得到每个节点的隐向量。
2. 用 readout（如全局池化）得到图级别向量。
3. 拼接节点向量和图向量，预测下一步动作（加原子、加键、结束）。

我参与过一个药物分子生成项目，当时在编码器里用了 3 层 GCN，每层 64 维。结果生成出来的分子有效性只有 30% 出头。后来把层数减到 2 层，维度降到 32，有效性反而提升到 65%。你说怪不怪？其实就是过深过宽导致过拟合或过平滑。嗯，这个经验后来我一直用。

3.5 GCN 的局限与改进思路

GCN 虽然经典，但有几个硬伤：

• 同质性假设：GCN 天然倾向于认为邻居节点应该相似。但对于异配图（如分子中不同原子性质差异很大），这个假设不成立。
• 表达能力有限：1-WL 测试表明，普通 GCN 无法区分某些非同构图（比如两个完全不同的分子却有相同的 GCN 输出）。
• 过平滑问题：层数一多（>4 层），所有节点特征趋同。

怎么破？我常用的招数：

• 用 GAT（图注意力网络）给每个邻居学个权重，而不是等权平均。
• 加跳跃连接（如 JK-Net），保留浅层信息。
• 用 GIN（图同构网络）提升表达能力。

3.6 本章知识结构图

下面这张图汇总了 GCN 的核心脉络，从消息传递到谱域/空域，再到分子生成应用。你看一眼就能回忆起来。