核心发现
方法论
GESC通过引入复杂嵌入空间，利用U(1)相位连接和秩-1投影机制，显式建模并消除节点间的自干扰。采用基于投影的自干扰消除（SIC）机制，抑制低频冗余分量，结合签名感知门控调节邻居信息，确保信息传递的相位一致性。模型在多样化图结构上实现了优异性能，结合复杂注意力机制与规范化操作，提升鲁棒性与表达能力。
关键结果
- 在九个公开基准数据集上，GESC平均准确率达84.9%，优于现有最优模型，尤其在异质图（如Actor、Squirrel）中表现突出，提升幅度达2%以上。
- 消除自干扰机制显著缓解过平滑问题，深层网络中性能稳定，验证了理论分析中关于低频抑制的有效性。
- 消融实验显示，SIC、签名门控和磁性传输各自贡献约1-2%的性能提升，联合使用效果最佳，验证了设计的协同作用。
研究意义
该研究突破了传统GNN在异质和复杂信号环境下的表达限制，提出的干扰控制机制为图神经网络提供了新的理论基础和工程工具。模型兼具理论严谨性与实用性，不仅提升了节点分类的准确率，也增强了模型对噪声和结构异质性的鲁棒性，为图结构数据的深度学习开辟了新路径，具有重要的学术价值和广泛的应用前景。
技术贡献
创新点在于引入复杂空间中的投影机制实现自干扰消除，结合U(1)相位连接实现相位一致性，提出签名感知门控调节邻居信息，确保模型的Gauge-Equivariance。理论上，模型提供了明确的Lipschitz界限，增强了深层网络的稳定性。工程上，模型在多项图任务中超越SOTA，展示了干扰控制与相位调节的有效性，为未来复杂信号图学习提供了新工具。
新颖性
首次在图神经网络中系统引入投影基础的自干扰消除机制，结合复杂空间中的相位传输，突破了传统仅依赖标量重加权的限制。不同于磁性拉普拉斯或谱方法，GESC实现了端到端的空间域相位传输与干扰控制，提供了理论严密的Gauge-Equivariance保证，极大丰富了图信号处理的理论体系。
局限性
- 模型在极端噪声环境或极大异质性结构中仍可能面临性能下降，尤其在相位估计不准确时表现不佳。
- 复杂空间操作带来较高计算成本，尤其在大规模图上训练时需优化算法以提升效率。
- 模型参数较多，调优复杂，未来需研究更简洁的结构以实现更广泛的应用。
未来方向
未来将探索多相空间扩展，结合非阿贝尔群实现更丰富的信号建模；同时优化算法以降低复杂度，支持大规模图学习；此外，将模型应用于动态图和多模态数据，推动图神经网络在实际场景中的广泛应用。
AI 总览摘要
图神经网络（GNN）在处理同质性强的图结构中表现优异，但在异质和复杂信号环境下面临严重挑战。传统方法多依赖加性聚合，难以捕捉信号中的相位干扰和方向性信息，导致过平滑和表达能力下降。为突破这一瓶颈，本文提出了Gauge-Equivariant Graph Network with Self-Interference Cancellation（GESC），通过引入复杂空间中的投影机制，有效建模并取消节点间的自干扰。
GESC利用U(1)相位连接和秩-1投影，显式抑制低频冗余分量，结合签名感知门控调节邻居信息，确保信息传递的相位一致性。这一设计不仅理论上保证了Gauge-Equivariance，还在实践中显著提升了模型的鲁棒性和表达能力。在九个公开数据集上的实验结果显示，GESC平均准确率达84.9%，在异质图中表现尤为优越，优于现有最先进模型。
通过消融实验验证了自干扰消除、签名门控和磁性传输的协同作用，模型在深层网络中依然保持稳定，缓解了过平滑问题。理论分析进一步证明，GESC具有明确的Lipschitz界限，保证了模型的稳定性和泛化能力。这一工作为图信号中的相位信息建模提供了新思路，推动了图神经网络在复杂环境下的应用发展。未来，模型将向多相空间扩展，优化算法以支持大规模图学习，并探索动态图和多模态场景的潜力。
深度分析
研究背景
图神经网络（GNN）近年来快速发展，Kipf & Welling（2017）提出的GCN奠定了基础，随后GAT、GraphSAGE等模型不断提升表达能力。然而，这些模型多依赖于加性聚合，假设图结构同质性强，难以应对异质图和信号中的方向性、相位信息。谱方法如Magnetic Laplacian引入复杂空间，能编码信号的方向性，但多停留在滤波层面，缺乏端到端的空间域相位建模。近年来，研究逐渐关注信号干扰、过平滑等问题，提出签名GNN、谱滤波等改进，但仍未根本解决信号中的相位干扰与方向性表达。
核心问题
现有GNN在异质图和复杂信号环境中表现不足，主要因未能有效建模信号中的干扰与相位关系，导致信息过度平滑和表达受限。传统加性聚合无法捕获信号的方向性和干涉特性，限制了模型在复杂场景中的应用。如何显式建模信号的相位信息，抑制低频冗余，成为亟待解决的核心难题。这不仅关系到模型的表达能力，也影响其鲁棒性和泛化能力。
核心创新
本研究提出GESC，核心创新包括：1）引入复杂空间中的投影机制，通过秩-1投影实现自干扰的显式消除，缓解低频偏置；2）利用U(1)相位连接实现节点间信号的空间传输，保证相位一致性；3）设计签名感知门控调节邻居信息，有效抑制负相关干扰，增强模型稳定性。这些创新突破了传统仅依赖标量重加权的局限，提供了理论严密的干扰控制和相位调节机制，为复杂信号的空间域建模打开新局面。
方法详解
- �� 采用复杂向量空间编码节点特征，利用U(1)相位连接实现节点间信号的空间传输。• 在每层中引入秩-1投影，利用Tikhonov正则化，显式抑制节点信号中的自平行分量，减少低频偏置。• 设计签名感知门控，根据节点间相位对邻居信息进行调节，确保信息的相位一致性。• 结合多头注意机制，通过复杂相位对齐实现稳定的消息传递。• 采用节点归一化和非线性激活（modReLU），增强模型表达能力。• 最后通过线性映射进行分类，结合交叉熵和JS一致性损失优化模型。
实验设计
在Cora、Citeseer、Pubmed等九个公开数据集上进行节点分类任务，比较GCN、GAT、MagNet等多种模型。采用准确率作为主要指标，调节干扰消除强度ηsic和JS权重λJS。进行消融实验验证SIC、签名门控和磁性传输的贡献。模型深度从2到10层，观察性能变化，验证过平滑缓解效果。还在异质图（Actor、Squirrel）上测试鲁棒性，评估模型对噪声和结构异质性的适应能力。
结果分析
GESC在九个数据集中的平均准确率达84.9%，在异质图中提升超过2%，显著优于MagNet、GPRGNN等SOTA模型。深层网络中依然保持性能稳定，验证了干扰控制的有效性。消融实验显示，单独引入SIC或签名门控都能带来约1-2%的性能提升，联合使用效果最佳。理论分析表明，模型具有明确的Lipschitz界限，保证了训练稳定性和泛化能力。
应用场景
该模型适用于社交网络、推荐系统、科学计算等需要捕获信号方向性和干涉的场景。通过显式建模信号相位，能更准确地理解复杂关系，提升节点分类、链路预测等任务的性能。未来可扩展到动态图、多模态数据，推动图神经网络在工业界的广泛应用。
局限与展望
模型计算复杂度较高，尤其在大规模图上训练时需优化算法。复杂空间操作增加了实现难度，参数调优复杂，未来需简化结构以提升实用性。在极端噪声环境下，信号相位估计可能失准，影响模型效果。未来还需探索更高效的算法和更广泛的应用场景。
通俗解读 非专业人士也能看懂
想象你在一个工厂里，工人们传递信息。传统方法就像每个人都用简单的纸条写字，信息容易被干扰或变形。而GESC像是每个人都用带有方向感的信号（比如灯光或声音）传递信息，信号中包含了方向和干扰信息。工厂里有个聪明的机器人，它能识别信号中的干扰，主动把干扰部分去掉，让信息变得清晰。这样，不管工厂里有多少噪音或干扰，机器人都能确保信息准确传达。这个方法让工厂的沟通变得更可靠，信息也更准确，工厂的效率自然提高了。这就像GESC在图中通过特殊的机制，确保信号中的干扰被消除，信息传递更稳定、更清晰。
简单解释 像给14岁少年讲一样
想象你在学校里玩传话游戏，你们用不同的声音和方向传递消息。有时候，声音会被反弹或干扰，导致最后听到的和原本的不一样。传统的传话方式就像用简单的纸条传递，容易被干扰，信息变得模糊。而GESC就像是用特殊的耳机和信号处理技术，能识别出干扰的部分，把它们去掉，确保每个人都能听到清楚的消息。它还会根据声音的方向调整，让信息传递得更稳定。这种技术可以让复杂的网络信息传递变得像我们在学校里玩传话游戏一样可靠，不会被噪音影响。未来，这样的技术还能帮我们更好地理解社交网络、推荐系统等复杂系统中的信息流动。
原文摘要
Graph Neural Networks (GNNs) excel on homophilous graphs but often fail under heterophily due to self-reinforcing and phase-inconsistent signals. We propose a \textbf{G}auge-\textbf{E}quivariant Graph Network with \textbf{S}elf-Interference \textbf{C}ancellation (GESC), which replaces additive aggregation with a projection-based interference mechanism. Unlike prior magnetic or gauge-equivariant GNNs that rely on additive message mixing, GESC explicitly models self-interference arising from redundant low-frequency components. We show that the absence of interference handling in existing gauge-based GNNs is a primary driver of oversmoothing under gauge transport. We introduce a $\mathrm{U}(1)$ phase connection followed by a rank-1 projection that suppresses self-parallel components before attention, and a sign-aware gate that regulates negatively aligned neighbors. Across diverse graph benchmarks, GESC consistently outperforms recent state-of-the-art models while offering a unified, interference-aware view of message passing. Our code is available at https://github.com/ChoiYoonHyuk/GESC.