用 AI 算一层 GCN：邻居都填一，归一化后为何不一定还是一

前天 3阅读

图神经网络的聚合常被口头叫作“平均一下邻居”。但经典GCN的一种对称归一化并不等于逐行求平均。给每个节点都放入数字1，输出仍可能不同，这个小反例能帮助AI把两个公式分清。

AI模型生成的概念插图：节点、自环与消息传递；箭头仅表示消息示意，不规定底层无向图的边方向，也不代表精确权重。

先加自环，再重新统计度数

取三个节点组成无向路径1—2—3，没有1—3边。原邻接矩阵的三行依次为[0,1,0]、[1,0,1]、[0,1,0]。按论文的传播规则先加单位矩阵，得到含自环的三行[1,1,0]、[1,1,1]、[0,1,1]。

加自环后的行和为[2,3,2]。这里的度数按这个新矩阵的行和计算，不能继续使用原图的[1,2,1]，也不采用某些图论记号中“自环计两次”的另一套约定。定义来自当前矩阵，必须与后面的权重一致。

对称归一化矩阵S=D⁻¹ᐟ²(A+I)D⁻¹ᐟ²。在有连接的位置，系数为1/√(dᵢdⱼ)。所以第一行为[1/2,1/√6,0]，第二行为[1/√6,1/3,1/√6]，第三行为[0,1/√6,1/2]。它是对称矩阵，两个方向的同一条边权相同。

每个节点只有一个特征，输入X=[1,1,1]；本例将可学习权重固定为1，激活取恒等映射，只检查聚合部分。第一、三节点输出均为1/2+1/√6，约0.908248290。第二节点输出为1/3+2/√6，约1.149829914。

这些值没有平均回1，因为S的行和一般不是1。称它为“归一化”并不能额外推导出每行总权重为1，更不能将输出解释成邻居特征的普通凸平均。归一化的具体形式要看左右两侧各用了什么矩阵。

作为对照，若采用D⁻¹(A+I)，第一行就是[1/2,1/2,0]，第二行[1/3,1/3,1/3]，第三行[0,1/2,1/2]。这才是本图的逐行平均，对全1输入确实返回[1,1,1]。但它已换了传播算子，不能为了“修正”前面的结果擅自替换。

将输入换成[1,0,0]，仍使用对称S，输出为[1/2,1/√6,0]。第三个节点这一层没有收到来自节点1的非零贡献，因为两者没有直接连接；第二层才可能经节点2把信息继续传过去。这个测试可识别误加1—3边或矩阵乘法方向写错等问题。

读者可让AI交原邻接矩阵、含自环矩阵、度数、归一化系数和逐节点乘加过程，先验证S对称，再验证两个输入的结果。孤立节点也可单独补测：加一个权重为1的自环后度数为1，在本设定下会保留自己的特征，不出现除以零。

实际GCN还会学习特征变换并使用非线性，图也可能有边权或不同自环策略。以上数值只适用于写明的无向无权图及传播式；它不证明增加图层一定更好，也不说明归一化后的数就是预测概率。

资料核对日期：2026年10月2日。算例为原创教学设定，已用独立Python计算复核，不代表真实模型训练或性能测试。