1. 项目概述与核心动机
图机器学习这几年火得不行，从药物发现到社交网络推荐，再到分子性质预测，到处都能看到它的身影。但说实话，干这行的都知道，我们手里最趁手的家伙事儿——消息传递神经网络（MPNN），比如GCN、GAT这些，用久了总能感觉到它的“天花板”。最头疼的问题有两个：一是表达能力有限，很多复杂的图结构模式，比如环（cycle），MPNN根本识别不了，这在化学分子里识别苯环结构时就抓瞎了；二是“视野”太短，信息传递就像击鼓传花，传几跳就衰减没了，图里距离远的节点之间基本“老死不相往来”，这就是所谓的长程依赖捕获难题。
为了解决这些问题，大家把目光投向了Transformer。图Transformer通过全局注意力机制，让每个节点都能“看到”图中所有其他节点，理论上既能突破MPNN的表达能力限制，又能捕获任意距离的依赖关系。想法很美好，但现实很骨感。全局注意力计算复杂度是节点数的平方级（O(n²)），图稍微大点，比如几万个节点，训练起来就慢得让人想砸电脑，内存开销更是吓人。虽然有不少研究在做线性注意力近似，但效果参差不齐，很难在所有任务上都稳定发挥。
就在大家为平衡表达力和计算效率头疼的时候，序列建模领域杀出了一匹黑马：状态空间模型（SSM），尤其是像Mamba这样的结构。SSM巧妙地将循环神经网络（RNN）和卷积神经网络（CNN）的优势结合了起来。它像RNN一样能处理序列，又像CNN一样能高效并行计算，最关键的是，它在理论上和实践中都被证明能有效建模长程依赖，而且对训练时没见过的更长序列也有不错的泛化能力。这简直就是为图数据面临的困境量身定做的解决方案模板——高效、长程、泛化好。
但直接照搬是行不通的。序列数据是排好队、有明确先后顺序的（比如一句话里的词序），而图数据里的节点是“一团乱麻”，没有天然的、标准的排序。你强行给节点排个序（比如按节点度大小），就会破坏图最根本的对称性——置换不变性。简单说，一个图，不管你给它的节点重新编个号，它还是同一个图，模型的结果不应该变。但如果你依赖一个特定的节点顺序，模型就可能学偏，泛化性能会大打折扣。
所以，核心挑战就变成了：如何把SSM在序列上的三大优势（高效、长程、泛化好），“无损”地迁移到图这个没有标准顺序的结构上？这就是我们提出图状态空间卷积（GSSC）的出发点。我们不想粗暴地把图拍扁成序列，而是回到SSM优势的本质，思考其数学内核，然后为图数据设计一个全新的、从原理上就满足图对称性要求的卷积操作。
2. 核心思路：从序列SSM到图SSM的桥梁
要理解GSSC的设计，我们得先拆解一下经典序列SSM（比如S4、Mamba）成功的秘诀。抛开具体的状态矩阵A不谈，它的核心操作可以看作一个特殊的卷积：
h_i = Σ_{j≤i} K(i-j) * x_j
这里的K(i-j)是卷积核，它只依赖于两个词元（token）i和j的相对距离(i-j)。这个设计带来了三个关键好处：
- 置换等变性（对序列是平移等变）：因为核只依赖于相对距离，所以把整个序列平移一下，输出也会对应平移，这带来了对序列长度变化的良好泛化能力。
- 长程依赖：通过精心设计（如HiPPO矩阵），可以让梯度
∂h_i/∂x_{i-j}在j很大时也不衰减，从而记住很远的信息。 - 计算效率：关键在于，这个依赖于相对距离的核
K(i-j)可以被分解为只依赖于各自绝对位置的函数的乘积，即K(i-j) = p_i * p_j。这里的p_i可以理解为词元i的“绝对位置”编码。这样一来，那个看似需要O(n²)的全局求和Σ_{j≤i} ...，可以通过先计算前缀和（O(n)），再并行乘以各自的p_i（O(n)）来实现，总体达到线性复杂度O(n)。
看到这里，思路就清晰了。要把SSM搬到图上，我们需要在图数据上找到对应物：
- 全局求和（Σ_{j≤i}）： 图没有因果性（不存在“之前”的节点），所以要把因果求和
Σ_{j≤i}替换为全局等变聚合Σ_{v∈V}，即聚合图中所有节点。 - 相对距离核（K(i-j)）： 我们需要一个依赖于图中节点u和v之间相对距离的核
K(u, v)，并且这个核必须是置换不变的（交换节点编号，核值不变）。 - 分解为绝对位置： 这个图核
K(u, v)还必须能分解为K(u, v) = f(z_u)^T * g(z_v)的形式，这里的z_u和z_v就是节点u和v的“绝对位置”编码。这是实现线性复杂度的关键。
幸运的是，图论里有很多描述节点间“距离”或“相似度”的核函数天然满足这些条件，比如最短路径距离、随机游走着陆概率（如PageRank）、热核、电阻距离等。更重要的是，这些核函数大多可以通过图的拉普拉斯矩阵的特征分解来优雅地表示和计算。
拉普拉斯矩阵L的特征向量V（通常取前d个最小的非零特征值对应的特征向量）被称为拉普拉斯位置编码（LPE）。每个节点u对应一个d维向量p_u = [V_u, :]^T，这可以视作图上的“绝对坐标”。许多上述的核函数可以统一地写成以下形式：
K(u, v) = p_u^T * (φ(Λ) ⊙ p_v)
其中Λ是对应的特征值对角矩阵，φ是一个作用于特征值上的函数。例如，热扩散核对应的φ(λ_k) = exp(-t * λ_k)。这个形式完美符合了“分解为绝对位置编码内积”的要求。
于是，图状态空间卷积（GSSC）的蓝图就呼之欲出了。它的核心公式如下：
h_u = Σ_{v∈V} <z_u W_q, z_v W_k> ⊙ W_o x_v + <z_u W_{sq}, z_u W_{sk}> ⊙ W_s x_u
让我来拆解一下这个公式：
x_u,x_v: 节点u和v的输入特征。z_u,z_v: 这是从原始拉普拉斯位置编码p_u增强而来的“特征值增强的位置编码”。具体地，z_u = [φ_1(Λ) ⊙ p_u, ..., φ_m(Λ) ⊙ p_u]，其中φ_ℓ是可学习的、关于特征值置换等变的函数。这允许模型自适应地学习如何利用不同频率（特征值）的结构信息。W_q, W_k, W_o, W_{sq}, W_{sk}, W_s: 都是可学习的权重矩阵。- 第一项
Σ_{v∈V} <z_u W_q, z_v W_k> ⊙ W_o x_v: 这是全局聚合项。计算节点u的位置编码z_u和图中所有节点v的位置编码z_v之间的内积（经过线性变换后），作为聚合权重，对v的特征x_v进行加权求和。这捕获了全局的、基于结构相似性的依赖。 - 第二项
<z_u W_{sq}, z_u W_{sk}> ⊙ W_s x_u: 这是自连接项。它只依赖于节点u自身的位置编码，用于处理节点自身的特征。这一项对于表达能力的提升至关重要，后文会详细解释。
这个设计一举实现了我们的所有目标：
- 置换等变性：因为核
<z_u W_q, z_v W_k>只依赖于通过图结构计算出的位置编码z，而z本身是置换等变的（重排节点，特征向量跟着重排），所以整个操作是置换等变的。 - 长程依赖：通过全局聚合
Σ_{v∈V}，每个节点都能直接接收到图中所有节点的信息，无论距离多远。理论证明，通过选择合适的φ函数，可以确保梯度不随距离衰减。 - 线性时间复杂度：由于核可分解为
(z_u W_q)^T (z_v W_k)，我们可以先计算全局的和Σ_{v∈V} (z_v W_k) ⊙ (W_o x_v)（复杂度O(nmd)），然后每个节点只需计算一次内积即可得到结果，总体复杂度是O(nmd)，相对于节点数n是线性的。 - 稳定性：基于平滑的拉普拉斯特征向量和可学习的
φ函数，GSSC对图结构的小扰动是稳定的，这有利于分布外泛化。
3. GSSC的架构设计与实现细节
有了核心的GSSC层，我们需要把它嵌入到一个完整的、可用的图神经网络架构中。单纯堆叠GSSC层可能不是最优的，因为原始的SSM（以及我们的GSSC）有一个天生的局限：它缺乏对边特征的自然建模能力。GSSC的聚合权重完全基于节点间的结构距离（通过位置编码），而没有考虑连接两个节点的边本身可能携带的重要信息（比如分子图中的键类型）。
因此，一个强大而实用的架构需要融合两种能力：GSSC提供的全局、长程结构感知，以及MPNN提供的局部、边特征感知。我们借鉴了GraphGPS框架的思想，构建了如下所示的混合模块：
输入: 节点特征 X, 边特征 E, 位置编码 Z for 每一层 l: # 分支1: 局部消息传递 (处理边特征) H_mpnn = MPNN_layer(X, E) # 可以是GIN, GatedGCN等 # 分支2: 全局结构卷积 H_gssc = GSSC_layer(X, Z) # 使用公式(4) # 融合与更新 H = LayerNorm(X + H_mpnn + H_gssc) X = FFN(H) # 前馈网络，如两层MLP 输出: X在这个架构中，MPNN层和GSSC层是并行计算的，它们的输出被加在一起，再通过残差连接和层归一化，最后经过一个前馈网络。这种设计让模型既能利用边的局部信息，又能通过全局视图捕获长程相互作用，两者互补。
3.1 位置编码的生成与处理
位置编码Z是GSSC的灵魂。它的生成是一个预处理步骤，但至关重要。
- 计算拉普拉斯矩阵：对于无向图
G=(V, E)，我们通常使用归一化拉普拉斯矩阵L = I - D^{-1/2} A D^{-1/2}，其中A是邻接矩阵，D是度矩阵。 - 特征分解：计算
L的前d个最小的非零特征值及其对应的特征向量。这里d是一个超参数，我们发现在大多数任务中，d=32已经足够，对于分子图等小图，d=16即可。这一步是计算开销最大的部分。 - 特征值增强：得到特征向量矩阵
V（n x d）和特征值向量Λ（d维）后，对于每个节点u，其原始位置编码为p_u = V[u, :]。然后我们应用可学习的函数φ_ℓ（实践中通常实现为对特征值Λ进行变换的轻量级MLP），生成增强编码z_u。
实操心得与效率优化： 很多人担心特征分解的O(n^3)复杂度。在实际操作中，有几点可以极大缓解这个顾虑：
- 只需Top-d特征向量：我们不需要全部特征向量，只需要前d个。使用Lanczos或LOBPCG等迭代算法，可以在O(nd²)的时间内高效计算，对于万节点级别的图，这在CPU上也是秒级完成。
- 预处理与缓存：对于静态图数据集（大部分基准数据集都是），位置编码只需要计算一次并保存，训练时直接加载，开销几乎可以忽略。在我们的实验中，预处理时间通常不到总训练时间的10%。
- 随机特征近似：对于超大规模图，或者需要在线学习图结构的情况，可以采用基于随机傅里叶特征的方法来近似这些核函数，完全避免显式的特征分解。
3.2 选择机制：让聚合“看内容说话”
标准的GSSC核<z_u W_q, z_v W_k>只依赖于节点位置z_u和z_v，是“内容无关”的。这意味着两个结构位置相似的节点，无论它们的特征是什么，对目标节点的贡献权重都相同。这有时可能不够灵活。
受Mamba中“选择机制”的启发，我们也可以为GSSC引入一个轻量级的“内容感知”位置编码。思路是生成一个依赖于所有节点特征和位置的新编码\tilde{z}_u：
\tilde{z}_u = Σ_{v∈V} <z_u W_{dq}, z_v W_{dk}> (z_u ⊙ x_u) W_{dv}
这个公式可以理解为：节点u的新位置编码，由所有节点v根据其与u的原始位置相似度（<z_u W_{dq}, z_v W_{dk}>）对u自身的特征增强位置（(z_u ⊙ x_u)）进行加权聚合而成。计算它仍然是线性的。然后，在GSSC公式中用\tilde{z}替换原来的z，就得到了具有选择机制的GSSC。
注意事项： 在我们的广泛实验中，标准GSSC（无选择机制）在绝大多数真实世界任务上已经表现卓越。选择机制主要在对子图计数能力有极致要求的合成任务（如数4-环、5-环）上能带来进一步提升。在常规任务中，引入额外的参数和计算可能不会带来显著收益，有时甚至可能导致过拟合。因此，我们的建议是：默认使用标准GSSC，仅在明确需要更强计数能力的任务中考虑加入选择机制。
3.3 与图谱卷积的辨析
GSSC的公式乍看可能有点像图谱卷积（GSC），h_u = Σ_{v∈V} <p_u, ψ(Λ) ⊙ p_v> W x_v，但两者有本质区别：
- 滤波函数：GSC使用逐点的标量函数
ψ(λ)对不同频率独立滤波。GSSC使用向量值函数φ(Λ)，它允许不同频率之间的交互，表达能力更强。 - 自连接处理：GSSC明确区分了对待自身节点（
W_s项）和其他节点（W_o项）的权重。而GSC对所有节点一视同仁。这个区别至关重要，理论分析表明，正是这项使得GSSC能够计数环结构，而GSC（以及MPNN）则不能。 - 表达能力：GSC的表达能力上限是1-WL测试，而GSSC被证明严格强于1-WL，且不弱于3-WL，并能计数至少3-路径和3-环（带选择机制可计数4-环）。
4. 实验验证与结果分析
我们在一系列共11个广泛使用的真实世界图基准数据集上全面评估了GSSC，并将其与各类前沿基线模型对比，包括MPNN（GCN, GIN, GAT）、子图GNN、图Transformer（Graphormer, SAN, GraphGPS）以及最新的Graph-Mamba等。数据集涵盖了分子图（ZINC, ogbg-molhiv）、图像超像素图（MNIST, CIFAR10）、合成图（PATTERN, CLUSTER）、蛋白质图（Peptides）和软件调用图（MalNet-Tiny）等多种类型。
4.1 主要性能结果
下表汇总了GSSC在多个数据集上的表现（均值±标准差，最佳结果加粗）：
| 模型 | MNIST (Acc↑) | CIFAR10 (Acc↑) | PATTERN (Acc↑) | CLUSTER (Acc↑) | MalNet-Tiny (Acc↑) | Peptides-func (AP↑) | Peptides-struct (MAE↓) |
|---|---|---|---|---|---|---|---|
| GCN | 90.705±0.218 | 55.710±0.381 | 71.892±0.334 | 68.498±0.976 | 81.0 | 0.5930±0.0023 | 0.3496±0.0013 |
| GIN | 96.485±0.252 | 55.255±1.527 | 85.387±0.136 | 64.716±1.553 | 88.98±0.56 | 0.5498±0.0079 | 0.3547±0.0045 |
| GatedGCN | 97.340±0.143 | 67.312±0.311 | 85.568±0.088 | 73.840±0.326 | 92.23±0.65 | 0.5864±0.0077 | 0.3420±0.0013 |
| GraphGPS | 98.051±0.126 | 72.298±0.356 | 86.685±0.059 | 78.016±0.180 | 93.50±0.41 | 0.6535±0.0041 | 0.2500±0.0005 |
| Exphormer | 98.550±0.039 | 74.690±0.125 | 86.740±0.015 | 78.070±0.037 | 94.02±0.21 | 0.6527±0.0043 | 0.2481±0.0007 |
| Grit | 98.108±0.111 | 76.468±0.881 | 87.196±0.076 | 80.026±0.277 | - | 0.6988±0.0082 | 0.2460±0.0012 |
| GRED | 98.383±0.012 | 76.853±0.185 | 86.759±0.020 | 78.495±0.103 | - | 0.7133±0.0011 | 0.2455±0.0013 |
| Graph-Mamba-I | 98.420±0.080 | 73.700±0.340 | 86.710±0.050 | 76.800±0.360 | 93.40±0.27 | 0.6739±0.0087 | 0.2478±0.0016 |
| GSSC (Ours) | 98.492±0.051 | 77.642±0.456 | 87.510±0.082 | 79.156±0.152 | 94.06±0.64 | 0.7081±0.0062 | 0.2459±0.0020 |
结果解读：
- 全面领先：GSSC在11个数据集中的6个上取得了最佳性能，并在其余5个数据集上获得了第二好的成绩。这证明了其作为通用图学习模型的强大鲁棒性和有效性。
- 长程依赖任务：在Peptides-func和Peptides-struct这两个专门用于评估长程依赖建模能力的任务上，GSSC表现尤为突出，AP和MAE指标均达到顶尖水平，显著优于传统的MPNN和部分图Transformer，验证了其捕获全局依赖的能力。
- 超越其他SSM扩展：GSSC的性能全面优于同样基于SSM思想的Graph-Mamba-I。这印证了我们的核心观点：通过保持置换等变性来泛化SSM，比简单地将图序列化更为有效。
- 计算效率：与标准图Transformer（如SAN）相比，GSSC具有线性复杂度。在较大规模的图（如CLUSTER）上，GSSC的训练速度显著更快，内存占用也更低，实现了性能与效率的平衡。
4.2 子图计数能力验证
为了定量评估表达能力，我们在合成数据集上测试了模型计数不同大小环（cycle）的能力。评价指标是归一化平均绝对误差（NMAE，越低越好）。
| 模型 | 3-环 | 4-环 | 5-环 |
|---|---|---|---|
| GIN (MPNN) | 0.3515 | 0.2742 | 0.2088 |
| ID-GNN | 0.0006 | 0.0022 | 0.0490 |
| I2-GNN | 0.0003 | 0.0016 | 0.0028 |
| GSSC | 0.0002 | 0.0013 | 0.0113 |
结果显示，GSSC在计数3-环和4-环任务上达到了最佳水平，显著优于经典的MPNN（GIN），也优于一些专门的子图GNN。对于更复杂的5-环，GSSC虽然略逊于最强的I2-GNN，但依然大幅领先于其他基线。这从实证角度支持了我们的理论结论：GSSC的表达能力严格强于MPNN，能够识别和计数更复杂的图子结构。
4.3 计算可扩展性分析
我们通过生成节点数从1k到60k的合成图，测试了GSSC相对于标准Transformer（SAN）的训练时间随图规模增长的变化。
| 节点数 | 1k | 5k | 10k | 20k | 40k | 60k |
|---|---|---|---|---|---|---|
| SAN (Transformer) | 1x (基准) | ~25x | ~100x | 内存溢出 | - | - |
| GSSC | ~1.2x | ~6x | ~12x | ~24x | ~48x | ~72x |
可以看到，标准Transformer的复杂度随着节点数增长急剧上升（O(n²)），在2万节点时已耗尽显存。而GSSC的时间增长基本是线性的（O(n)），即使在6万节点的大图上也能正常运行。这充分证明了GSSC在处理大规模图数据时的可扩展性优势。
5. 常见问题、实施要点与避坑指南
在实际复现和应用GSSC时，你可能会遇到以下问题。这里我结合自己的实验经验，给出一些实用的建议。
5.1 位置编码相关
Q1：必须使用拉普拉斯特征向量吗？其他位置编码行不行？A1：拉普拉斯特征向量（LPE）是我们的理论推导和实现的基础，因为它能保证许多距离核的可分解性。随机游走、最短路径距离等也可以作为距离度量，但最终通常需要投影到拉普拉斯特征空间来实现高效分解。在实践中，直接从拉普拉斯矩阵计算top-d特征向量是最直接、最稳定的方法。像SignNet或SPE这类基于特征向量的学习型编码器也可以使用，但它们引入了额外的参数和复杂度。
Q2：特征分解的维度d如何选择？A2：d决定了位置编码捕获结构信息的细粒度。并非越大越好。我们的经验是：
- 对于小图（平均节点数<100），如分子图，
d=16通常足够。 - 对于中等规模图（节点数在几百到几千），
d=32是一个稳健的默认值。 - 继续增加
d（如64，128）带来的性能提升非常有限，但计算开销会线性增加。建议从d=32开始，如果性能饱和，可以尝试小幅增加，但优先考虑调整其他超参（如隐藏层维度、层数）。
Q3：特征分解在动态图或超大图上怎么办？A3：
- 动态图：如果图结构随时间轻微变化，可以定期重新计算或增量更新特征向量。如果变化剧烈，可能需要考虑放弃精确分解，转而使用随机特征方法（如RFF）来近似核函数，这是一种与图结构解耦、可在线学习的方法。
- 超大图（百万节点）：精确的top-d特征分解可能不可行。此时有几种策略：
- 使用图分区，将大图切分为子图，在每个子图上独立应用GSSC。虽然损失了全局信息，但可行。
- 采用节点采样方法（如Random Walk），为每个节点计算一个近似的小规模子图的位置编码。
- 彻底转向随机特征近似，这是目前最有前景的方向，可以将复杂度降至O(n)，且无需特征分解。
5.2 模型训练与调参
Q4：GSSC层应该和哪种MPNN搭配？堆叠多少层？A4：
- MPNN选择：GIN、GatedGCN和PNA都是不错的选择。GIN简单且理论性质清晰；GatedGCN能处理边特征，更灵活；PNA集成了多种聚合器，表达能力更强。在我们的实验中，GatedGCN与GSSC搭配通常能取得最佳或接近最佳的效果，因为它能更好地融合边信息。
- 层数：与许多GNN模型类似，GSSC也会面临过度平滑问题。对于大多数任务，4到8层已经足够。更深的网络不一定带来提升，反而可能增加训练难度和过拟合风险。建议使用残差连接、层归一化和适当的Dropout来稳定深层训练。
Q5：GSSC训练不稳定，损失出现NaN怎么办？A5：这通常与位置编码z的数值范围过大有关。
- 归一化是关键：在将位置编码
p_u输入到可学习的φ函数之前，务必进行标准化。通常采用LayerNorm或BatchNorm（在图级别任务上用LayerNorm）沿着特征维度进行归一化。 - 初始化：负责变换位置编码的权重矩阵
W_q, W_k等，应采用较小的初始化（如Xavier正态初始化，gain设小一点），避免初始激活值过大。 - 梯度裁剪：在训练初期，可以启用梯度裁剪，防止因异常梯度导致训练崩溃。
5.3 理论优势 vs. 工程现实
Q6：GSSC理论上是线性的，但为什么感觉实现起来还是比GCN慢？A6：是的，常数项很重要。GSSC的复杂度是O(nmd)，其中m是隐藏层维度，d是位置编码维度。而GCN的复杂度是O(|E|m)，其中|E|是边数。在稀疏图（|E| ~ O(n)）上，两者都是线性的。但是，GSSC的常数因子（涉及矩阵乘法和全局聚合）确实比GCN的局部消息传递要大。
- 优化策略：充分利用现代深度学习框架（如PyTorch）的广播和矩阵乘法优化。确保全局聚合
Σ_{v∈V} (z_v W_k) ⊙ (W_o x_v)这一步是通过一次高效的矩阵运算完成的，而不是循环。 - 硬件利用：GSSC的计算非常适合GPU并行，因为其主要操作是矩阵乘法。确保批量大小（batch size）设置合理，以充分利用GPU的算力。
Q7：GSSC声称能捕获长程依赖，但在我的特定任务上效果不明显？A7：长程依赖的重要性因任务而异。
- 诊断：首先确认你的任务是否真的需要长程信息。例如，在分子图中，预测全局分子性质可能需要，而预测局部原子属性可能不需要。
- 位置编码质量：检查计算出的拉普拉斯特征向量是否准确。可以可视化前几个特征向量在图上的分布，看看它们是否捕获了有意义的全局模式（如Fiedler向量常用于图割）。
- 融合比例：在GSSC-MPNN混合架构中，尝试调整两个分支输出的融合权重（例如，引入一个可学习的门控机制：
H = α * H_mpnn + (1-α) * H_gssc），让模型自己决定更依赖局部信息还是全局信息。
5.4 复现与扩展
Q8：我想在自己的图数据上尝试GSSC，最基本的实现步骤是什么？A8：
- 数据预处理：为你的每个图计算归一化拉普拉斯矩阵
L，并使用scipy.sparse.linalg.eigsh（对于对称矩阵）计算前d个最小特征值和特征向量。将特征向量归一化后存储。 - 实现GSSC层：核心是高效实现公式(4)。记住利用分解特性：先计算全局聚合向量
global_context = Σ_v (z_v W_k) ⊙ (W_o x_v)，然后对于每个节点u，计算h_u = <z_u W_q, global_context> + <z_u W_{sq}, z_u W_{sk}> ⊙ (W_s x_u)。 - 构建混合层：将GSSC层与你选择的MPNN层（如PyG中的
GatedGCNConv）并行放置，后接Add、LayerNorm和FFN。 - 堆叠模型：将多个混合层堆叠起来，根据任务添加图池化或节点输出层。
Q9：GSSC可以用于有向图或异质图吗？A9：可以，但需要调整。
- 有向图：拉普拉斯矩阵的定义需要推广到有向图（如图拉普拉斯）。计算出的特征向量可能是复数的，需要特殊处理（如使用实部和虚部，或使用奇异值分解SVD）。核函数也需要重新考虑。
- 异质图：这是当前研究的前沿。一种思路是为不同类型的节点和边学习不同的变换矩阵
W。也可以考虑为不同的元路径（meta-path）生成不同的位置编码，然后进行融合。Pan et al. (2024)的工作在这方面做了初步探索。 - 边特征：如前所述，GSSC本身不处理边特征。在混合架构中，这部分完全交给MPNN分支。如果你需要边特征强烈影响全局聚合，一个探索方向是将边特征的信息以某种形式注入到位置编码
z的计算中，但这超出了标准GSSC的范畴。
最后想说的是，GSSC为我们打开了一扇新的大门：它证明了将序列建模中强大的SSM思想，通过严谨的数学泛化到图域是可行且高效的。它不是一个“魔改”的即兴之作，而是一个建立在坚实理论基础上的模型。虽然它在某些极端稀疏的图上的常数开销可能比MPNN大，但其在表达能力、长程建模和效率之间的平衡，使其成为处理现代复杂图数据任务的一个非常有竞争力的新选择。在实际应用中，理解你的数据特性（是否需要长程依赖？图规模多大？），并合理配置GSSC与MPNN的混合比例，是发挥其最大效用的关键。
