第一章 引言
现实中的数据应用场景中图数据结构一般都具有很强的非对称性，典型的案例如社交平台上的单向关注网络、电商领域的用户-商品交互二部图、学术论文的定向引用网络等。有向边可以很好地表征信息流动的方向以及依赖关系，但是目前主流的图神经网络大多采用对称假设来设计，主要处理无向图或者简单的双向交互。当遇到非对称图结构的时候，由于模型的局限性造成了严重的信息单向传播失真，在邻域聚合的过程中不能正确地区分出信息的来源和去向，从而产生严重的邻域聚合偏向性偏差，使模型的表达能力和预测精度大大降低。
针对以上问题，目前学术界对图神经网络的谱分析方向进行了广泛的研究，试图用图信号处理理论来获取更深层次的拓扑特征，但是对于非对称结构的自适应谱变换问题，仍然存在着较大的研究空白。本文正是在这样的背景下提出了一种非对称图神经网络自适应谱分析方法。该研究的主要目的就是打破传统的对称谱卷积的限制，设计出可以动态适应非对称拓扑结构的频域分析机制，从而解决信息传递过程中出现的偏差问题。本研究有重大的理论意义，而且可以有效地提高复杂网络环境下下游任务的性能，论文会逐层深入地论述该方案的理论依据、模型建立和实验验证，从而给相关领域赋予具备实际意义的参照范式[1]。
第二章 非对称图神经网络的自适应谱分析机制与实现框架
2.1 非对称图结构的谱属性偏差与适配性问题界定
在图神经网络研究领域里，非对称图和对称无向图的主要结构差别在于连接方向的单向性以及邻接矩阵的非对称性，而这种结构特点又直接决定了它们谱属性的本质不同。对称无向图的邻接矩阵是实对称矩阵，一定有实数特征值，并且特征向量互相正交，谱分布有明确的物理意义。但是非对称图的邻接矩阵不再具有对称性，从而使得它的特征值可以是复数，并且对应的特征向量一般也失去了正交性，频谱分布是稀疏的、不稳定的。因此，由于谱属性的偏差，常规谱域图神经网络的聚合逻辑不能直接迁移到新的领域。现有的方法大多依靠傅里叶变换假设特征向量构成标准正交基，在非对称的情况下，由于假设不成立，使得节点表示学习过程中出现特征混淆，不能很好地分辨出节点的主导方向性信息。另外复数特征值的存在会加大图全局信息建模的计算量，不能很好地反映低频和高频分量的真实分布。因此，明确非对称图在特征值分布、向量正交性等方面具体的偏差，以及由此引起的节点表征、全局建模的适配性问题，就是本研究之后设计自适应谱分析机制所要解决的主要边界，给算法改进提供必要的理论基础。
2.2 面向非对称图的自适应谱变换核心算法设计
2.2.1 非对称邻接矩阵的谱分解优化模块
目前的谱分析方法大多是针对对称邻接矩阵设计的，当直接应用于非对称图时，会遇到特征分解不稳定、出现难以处理的复值特征值、计算复杂度随节点规模呈爆炸式增长等问题。为了克服上述困难，本模块利用非对称图的有向结构特点，给出并执行了改进后的广义非对称谱分解算法。该算法的关键之处在于利用正则化约束以及奇异值分解的方法，把复数域的运算转化成实数域来处理，保证输出的特征谱集合是实值化的、归一化的。算法实现上，首先对输入的非对称邻接矩阵进行预处理，然后进行高效的矩阵分解，去掉无效的复数分量，重新构造实特征向量空间，得到一组可以准确表征图结构信息的有序特征值。经过小样本非对称图的分解对比实验可知，该优化模块可以明显提高分解精度，并且可以有效地抑制传统方法中出现的数值震荡现象，在运行效率方面也具有明显的优势。该成果成功地解决了非对称谱分析的数学难题，给后来自适应谱权重的动态调整提供了一个可靠的、高效的谱特征输入基础，使模型在实际复杂的网络环境中更加适用。
2.2.2 自适应谱权重动态调整机制
自适应谱权重动态调整机制就是为了解决传统谱图神经网络在处理非对称图的时候，由于使用固定的谱权重而造成的非方向性信息淹没问题而提出的。该机制是根据前序优化得到的非对称图谱分解结果来建立一个可以对局部结构特征以及下游任务反馈做出响应的闭环控制系统。系统把梯度幅值和节点特征方差当作权重调整的触发条件，在模型训练损失停止或者关键节点特征失真的时候就启动调整程序。核心目标函数是最大化非对称方向互信息，保证谱分量的权重分布可以准确地和图中的单向关联强度相匹配。在实时更新的迭代规则中，用基于动量的自适应优化算法，根据目标函数对谱权重的梯度反向传播，动态增大表征强指向性边的高频分量权重，减小对语义贡献小的低频冗余分量。从具体的样例可以看出，在动态调整之前，谱分量权重主要集中在低频部分，造成单向关联信息被平滑掩盖；调整之后，权重分布呈现明显的向高频偏移的趋势，很好地保留了非对称图中重要的单向依赖关系，大大提高了模型对于复杂有向结构的解析能力。
2.3 实证验证与性能对比分析
为了对提出的自适应谱分析机制进行全面的评价和比较，本节给出了一个严格的实证验证方案。实验选择了包含有向社交网络、引文定向网络和流量交互网络等在内的不同大小的公开非对称图基准数据集，保证测试场景的多样性以及代表性。对比对象选择的是目前主流的非对称图神经网络模型，在节点分类、链路预测等典型的下游任务上进行了多组对照实验。评价维度不只是关注预测的准确性，也考察模型训练的收敛速度以及抗噪声干扰的能力。另外，用补充消融实验来分别隔离验证谱分解优化模块和自适应权重调整机制各自的性能贡献，从而准确找到各个组件的作用。从最后的实验数据统计和可视化结果可以看出，本章提出的自适应谱分析框架对于非对称图结构有明显的性能优势，可以有效地提高模型特征提取的准确性以及鲁棒性，证明了该框架在实际应用中具有重要的价值。
表1 非对称图神经网络与基准模型在3类非对称属性图数据集上的节点分类性能对比
第三章 结论
本文主要研究非对称图神经网络的自适应谱分析，对理论界定、算法设计、性能验证进行了全过程的研究。首先，对于非对称图谱中普遍存在的方向性偏差问题，本文给出了图谱偏差的数学定义，分析了有向边结构对特征传播的非对称影响机理，为之后算法的改进打下了良好的理论基础。其次，在核心技术上创新性地提出了自适应谱变换算法，用动态改变频谱响应权重的方法来抑制由于非对称结构造成的信号失真，提高了模型对于复杂有向图数据的特征提取能力。经过多项基准数据集的对比实验，证明了该方法对于节点分类和链路预测任务来说，比传统的模型具有更高的精度和鲁棒性。但是本研究还存在着一些不足之处，在处理超大规模非对称图数据的时候，由于计算复杂度高，使得实时处理受到限制，在处理图谱结构随时间急剧变化的动态场景的时候，算法的自适应跟踪效率还有待提高。未来会探究低秩分解以及增量学习技术，从而削减计算开销，加快动态响应速度，并且拓宽该方法在推荐系统，金融风控以及生物信息网络这些实际复杂场景里的应用程度。
参考文献
\[1\]秦佳雯, 黄鹏峰, 孙庆赟. 面向非同配图的非对称自监督学习方法[J]. 计算机研究与发展, 2026, 63(1): 176-188.