标签传播何时有唯一答案：从调和解检查无标签分量
只有少量样本有标签时，可以把相似样本连接成图，让已知标签影响邻近节点。这里最容易漏掉的条件是：一个待预测区域，究竟能不能通过边走到已知标签。即使程序返回了整齐的零和一，也不能据此认为每个分量都获得了监督信息。
AI生成概念示意图：两端有颜色的链表示带标签边界，右侧灰色分量没有标签锚点；颜色和距离不是概率或边权的精确刻度。
把已知标签当作固定边界
考虑无向、非负加权图，节点依次为A、U、V、B。A的标签固定为0，B的标签固定为1；U、V未知。三条边为A—U，权重2；U—V，权重1；V—B，权重3。没有其他边，也不添加自环。
用实数u、v表示未知节点的软标签。我们选择最小化E=2u²+(u-v)²+3(v-1)²。这里每条无向边只算一次；若写成所有有序节点对求和，就应加相应的二分之一系数，不能把不同能量约定拼接后再比较绝对数值。
这个目标惩罚相连节点标签差异，权重大意味着更不希望两端相差太多。已知标签在整个求解中保持不变。这是硬边界的调和标签模型，不能与允许原标签一起漂移的软约束方法混为一谈。
从局部平均推出全局解
对u求导，得到4u+2(u-v)=0，即3u-v=0。对v求导，得到2(v-u)+6(v-1)=0，即-u+4v=3。联立可得u=3/11≈0.272727，v=9/11≈0.818182。
同样的结果可以写成加权平均：u=(2×0+v)/3，v=(u+3×1)/4。未知点必须等于邻居值的加权平均，这就是图上的调和条件。注意“平均”的权重由连边决定，不是每个邻居都占同样比例；V贴近标签1，因为通向B的边权为3。
把解代回能量，三项分别为18/121、36/121和12/121，总能量为6/11。如果把U、V都设为0.5，总能量为1.25；调和解确实更低。这个比较用于检查具体构造，不意味着每个能量更低的图模型都能获得更高真实分类准确率。
若最后用0.5作二分类阈值，U归为0类，V归为1类。但阈值是输出决策的一部分，不包含在刚才的平滑能量里。类别先验、不同错误成本或后续校准可能要求其他决策方式，不能把“低于一半”自动等同于业务上的拒绝条件。
拉普拉斯分块里藏着可解性
设W为对称权重矩阵，D的对角元为节点加权度，L=D-W。把节点分成已标注集合l与未标注集合u，边界值记为f_l，则未知值满足L_uu f_u=-L_ul f_l。本例L_uu的两行为(3,-1)、(-1,4)，右侧为(0,3)，行列式是11。
这里的度数3和4必须包含通向已标注节点的边。如果先删掉A、B，再在剩余两点上重算度数，会错误得到两行(1,-1)、(-1,1)，把决定答案的边界联系抹去。所谓取子块，是从完整拉普拉斯截取，不是重新建立一个无边界的小图。
工程上可求解稀疏线性系统，不必显式形成逆矩阵。验收至少检查边界未变、线性方程残差小，以及在本例中软值落在0到1之间。若出现明显越界，应先检查负边权、非对称构造、节点顺序或数值失败，而不是立即裁剪来掩盖原因。
添加两个没有锚点的节点
现在另加P、Q，两者之间只有一条权重1的边，并且完全不连接前面的链，也都没有标签。新增能量仅为(p-q)²。只要p=q，不管都取0、0.5还是1，新增能量都是0，因此有无穷多个同样好的答案。
对应的块是两行(1,-1)、(-1,1)，行列式为0，向量(1,1)属于零空间。程序使用伪逆可能给出全零；那是求解器选择的某个解，不是数据证明了两点属于0类。若直接把零转成确定标签，就会把“无信息”包装成“有把握”。
对有限无向图，使用正权重边定义连通分量时，只要每个含未知点的分量都能到达至少一个已标注点，受约束块便可唯一求解。一个完全孤立的未知节点更加直接：它没有任何平滑项约束，局部平均还会遇到除以零。处理策略应先于求解明确下来。
可以将无锚点分量标记为待补标签，安排人工标注，或明确引入外部分类器与先验。若加上ε||f-c||²，确实可以把解拉向先验c并消除这类不确定性，但新答案来自额外假设。把矩阵加一个很小的对角数后继续称为“原始调和解”，会隐藏重要的模型变化。
随机游走解释也有同一个边界
把边权归一成跳转概率，从某未知点出发，走到第一个已标注点便停止。在上述有锚点的有限图里，f可以解释为首先碰到标签1边界的概率；对无标签的独立分量，游走永远碰不到边界，这个解释自然失效。
即使所有分量都有锚点，也不代表标签传播总适合任务。边表达的相似性必须与标签目标有关；错误标签会沿连接扩散，跨类别的强边会把本应分开的样本拉近。若只有一条极弱边连接标签区域，数学上仍可能唯一，数值条件和对边权的敏感性却值得单独检查。
构图时还要说明近邻关系怎样变成无向边。只要一方选中对方就连边，与双方互为近邻才连边，会产生不同连通分量；后者可能更稀疏，也更容易出现无标签区域。因此应在图真正构好以后检查标签覆盖，不能只凭近邻参数估计每个点都能得到监督。
若边界标签本身可能错误，硬固定也未必合适。此时可以选择允许标签偏离观测值的惩罚形式，并在目标中公开惩罚强度；但应重新推导对应系统与验收条件。把噪声标签锁住，再要求传播过程自动纠正它们，实际上是在提出模型没有被允许完成的任务。
还有一种容易误读的情形：某个分量仅有零类锚点，那么常数零可以成为唯一解。这次全零确实由边界条件推出，却仍不能证明该分量没有其他类别，只说明现有标签与平滑假设没有提供其他信号。监督覆盖不足和求解器失败应分别记录。
本文分别用符号求导、线性系统和固定边界的同步平均迭代得到相同解，并构造奇异块验证无穷多解。真实项目还应在构图前划分评估用途，说明测试点是否作为无标签节点参与图结构；这种传导式设置不能不加说明地当成对全新样本的泛化成绩。
资料核对日期：2026年10月3日。节点、边权和标签均为原创教学设定，已本地复算；本文没有训练实际分类器或报告数据集准确率。
