1.2 老办法为何失灵：传统深度学习的图上困境

1.2 老办法为何失灵：传统深度学习的图上困境

本节摘要：卷积网络依赖规则网格与平移不变性，循环网络依赖线性顺序，全连接网络把节点当独立样本——这三大机制假设在图数据上全部落空。本节承接上一节的案发现场勘查，逐一审讯传统深度学习的主力模型，用可运行的 NumPy 实验给出"失灵证据"：邻域大小不定、节点排序不唯一、参数量随图规模爆炸，为第二章引入消息传递范式提供充分动机。

审讯台上的三员主力

别以为把邻接矩阵拉平、接上全连接层，就算"用深度学习处理了图数据"——这是立案阶段最常见的冤案源头。上一节我们确认了证据藏在关系里，本节要回答的是立案逻辑的下半段：为什么现成的老办法接不了这类卷宗。原因不在工程细节，而在数学结构：图既没有规则网格供卷积核滑动，也没有天然顺序供循环网络展开，更没有"节点彼此独立"的奢望。下面依次提审三员主力，每位的"罪名"都配一段可以直接复现的实验证据。

图：三种数据形态与三大模型的假设冲突

罪名一：卷积网络缺了平移不变性

图像卷积的效率建立在一个前提上：卷积核在图像每个位置都以相同形状的窗口取数——左上角的像素和右下角的像素都恰好拥有相同数目的网格邻居。图把这个前提连根拔起：社交现场里有的账号有几百个互动对象，有的账号只有零星几个；分子现场里碳原子可以有化学键连向多位邻居，而氢原子常常只连。卷积核在图上"滑不动"，因为每个位置能取到的邻居集合形状都不一样。更麻烦的是，图上根本没有"上下左右"这种空间方位，两节点相邻只意味着有关系，不意味着它们在任何坐标系里彼此靠近——把图强行画成平面布局时，同一张图可以画出无数种不相像的嵌套样式，视觉距离不携带信息。

罪名二：序列模型强加了不存在的顺序

循环网络假设数据排成链状，当前状态吸收上一时刻的状态。可图上任意两节点之间只有"是否相连"与"路径长短"，没有先后。你可以按账号注册时间给节点排序，也可以按编号、按拼音，随便哪种排法都同样"合法"又同样武断——顺序不是数据的属性，而是分析者强加的。更隐蔽的伤害在于路径结构：关系网里信息沿着边向四面八方扩散，而序列模型只能沿单链传递，分支结构会被强行截断成多条独立序列，交叉证据被白白丢弃。

罪名三：全连接网络对编号过敏

最朴素的做法是把邻接矩阵按行拼接成向量喂给全连接层。它确实能跑起来，但有个致命缺陷：对节点重编号过敏。同一张关系网，仅仅因为账号换了编号方式，拼接出的向量就完全不同，模型的输出随之漂移——而图本身一个字都没变。下面这段 NumPy 实验直接复现这个"翻供"现场：结构不变、仅置换编号，全连接网络的输出差异有多大。

import numpy as np

rng = np.random.default_rng(42)
n = 6                       # 六个账号的小关系网
A = np.zeros((n, n))
edges = [(0,1),(0,2),(1,2),(2,3),(3,4),(4,5),(3,5)]
for i, j in edges:
    A[i, j] = A[j, i] = 1   # 无向图对称

# 拼平邻接矩阵 → 全连接层（固定随机权重模拟训练后的模型）
W = rng.normal(size=(n*n, 4))
def mlp_forward(adj):
    return np.tanh(adj.reshape(1, -1) @ W)

out1 = mlp_forward(A)

# 置换编号：结构完全相同，只是账号改了"名字"
perm = rng.permutation(n)
A2 = A[np.ix_(perm, perm)]          # 同构图的另一种编号
out2 = mlp_forward(A2)

print("输出1:", np.round(out1, 4))
print("输出2:", np.round(out2, 4))
print("差异范数:", np.linalg.norm(out1 - out2))   # 明显非零
# 同构的两张图，全连接层给出完全不同的答案——它学到的是编号规律而非结构规律
​

实验输出里差异范数显著大于零，说明全连接层把"编号方式"误当作了"图结构"本身。顺带还有第二重罪：输入维度被节点数锁死——输入层需要固定长度，换个更大规模的图就得重训整个网络，模型彻底丧失跨规模的归纳能力，这在每天都有新账号加入的业务现场等于宣判死刑。

罪名四：参数量与计算量的规模爆炸

如果坚持"为每个节点学习专属参数"的思路，参数量会随节点数线性甚至平方增长；把邻接矩阵整张喂进网络，矩阵乘法的开销对亿级边的社交图而言更是灾难。即便规模允许，逐节点独立学习也违背了关系数据的可迁移性——新节点的参数从哪里来？没有共享机制，就没有泛化。下面的对比实验展示"邻域大小不定"带来的工程麻烦：即便只想做最简单的邻域均值特征，也要处理不同节点邻居数差异巨大的现实。

# 同一张图上，不同节点的"邻域规模"差异巨大
deg = A.sum(axis=1)
print("各节点度数:", deg.astype(int))
# [2 2 3 3 3 2] —— 小图尚且如此，真实社交图里度数可从个位数跨到百万级

# 朴素方案：为每个节点学一个专属向量 → 参数量 ∝ 节点数
naive_params = n * 16            # 每节点 16 维专属参数
# 共享方案：一套聚合参数，所有节点复用 → 参数量与节点数无关
shared_params = 16 * 16
print(f"专属参数量 {naive_params} vs 共享参数量 {shared_params}")
# 节点数增长到百万时：专属方案 1.6e7 参数且无法处理新节点，
# 共享方案参数量不变，新节点直接套用同一套聚合规则

# 邻域均值特征：注意除数各不相同（度为零的节点还要单独保护）
with np.errstate(divide='ignore', invalid='ignore'):
    feat = A / deg[:, None]
feat[~np.isfinite(feat)] = 0
print("行归一化邻接矩阵（每行求和为1）:\n", np.round(feat, 3))
​

这段代码的最后部分其实已经悄悄给出了出路：行归一化的邻接矩阵乘上节点特征，就是最朴素的邻域均值聚合——第二章会看到，这正是图卷积的雏形。老办法的失灵不是终点，而是新算子的路标。

结案：失灵清单与出路

把三员主力的罪名汇总成表，失灵的根源指向同处：传统算子的结构假设（网格、顺序、独立性）与图的结构现实（不规则邻域、无顺序、强相关）不匹配。

出路已经浮出水面：需要一种对编号不敏感、按邻域聚合、参数共享的新算子。它就是下一章的主角——消息传递范式：每个节点向邻居取证，把证词聚合成新证据，层与层之间滚动推进。本节审讯台上留下的所有罪名，都将成为第二章设计新算子时的设计约束。