그래프 신경망(GNN)은 지역적 메시지 전달(message passing)을 통해 정보를 전파하지만, 그래프 위상(topology) 자체가 학습을 아무리 많이 해도 장거리(long-range) 과제를 해결하지 못하게 조용히 막을 수 있다. GNN을 새로운 그래프에 배포할 때, 현재는 학습이 시작되기 전에 그래프 구조가 먼 노드들 사이에서 정보가 충분히 멀리 전달될 수 있게 허용하는지를 알아낼 저비용 방법이 없다. 우리는 스펙트럴 플로우 인증(Spectral Flow Certificates, SFC)을 제안하여 이 공백을 해소한다. SFC는 그래프의 정규화(normalised) 라플라시안(Laplacian)으로부터 수 초 만에 계산되는 단일 스칼라 값으로, 모델 학습이나 라벨 데이터가 필요하지 않다. SFC는 그래프의 대수적 연결성(algebraic connectivity)과 선택된 메시지 전달 깊이(depth)를 하나의 숫자로 융합하여, 가용한 깊이 예산(depth budget) 내에서 중요한 스펙트럴 병목(spectral bottleneck)의 어느 정도를 통과할 수 있는지를 측정한다. 원시 스펙트럴 갭(spectral gap)과 달리 SFC는 정적이고 깊이와 무관(depth-agnostic)한 반면, SFC는 레이어 수가 증가함에 따라 적응하므로 깊이가 달라질 때 엄격히 더 많은 진단 정보를 담는다. 평균 유효 저항(average effective resistance)과 그래프 직경(graph diameter) 같은 고전적 구조 통계와 비교했을 때, SFC는 학습된 GNN의 장거리 정확도(long-range accuracy) 분산(variance)의 두 배 이상을 설명한다. 경로(path), 순환(cycle), 격자(grid), 정규 그래프(regular graph), 무작위 그래프(random graph)를 아우르는 25개의 합성 그래프 계열에 걸쳐, SFC는 어떤 기울기(gradient)도 계산하기 전에 학습된 정확도를 예측하며, 테스트된 모든 깊이에서 90% 이상의 설명력(explanatory power)을 달성한다. 동일한 예측 관계는 세 개의 독립적인 벤치마크(benchmark) 데이터셋(dataset)에서 추출한 150개의 실제 분자 그래프 위상에서도 성립하며, 이는 해당 결과가 합성 구조의 인공물(artefact)이 아님을 확인해 준다. 종합하면, 이러한 결과는 단일 고유값(eigenvalue) 계산만으로도 값비싼 학습 파이프라인에 투입하기 전에 위상(topology)에 의해 제한된 그래프를 표시하기에 충분하며, GNN 배포를 위한 원칙적인 1차 필터를 제공함을 보여준다.
그래프 노이즈 제거에서 선형 어텐션이 학습 분포 전반의 평균 스펙트럴 필터만 학습할 수 있어 준최적임을 이론적으로 증명하고, 입력 그래프 스펙트럼을 직접 활용하는 Graph Convolutional Attention(GCA)을 제안하여 이 한계를 극복한다. GCA는 그래프 필터링된 쿼리와 키를 통해 스펙트럴 노이즈 제거를 구현하며, DiGress에서 고비용 구조적 특징 계산 없이 표준 그래프 트랜스포머에 필적하는 성능을 달성하고 PEARL 위치 인코딩과 결합 시 명시적 고유분해 없이도 빠른 추론이 가능함을 실험적으로 검증한다.
Spectral filtering recently delivered substantial pruning for \emph{static} subgraph matching: Laplacian interlacing rejects candidates whose neighborhoods cannot host the query. We study whether such aggregate structural tests can accelerate \emph{continuous} subgraph matching (CSM) over dynamic graphs, and answer in three parts. First, lazily maintained spectral bounds are infeasible exactly where spectral pruning has value: we characterize the tightest safe rule over a formalized perturbation relaxation and show that even it loses essentially all pruning power within four touching updates. Second, exact maintenance is affordable when selective: pruning utility and recomputation cost are anti-correlated across vertices -- hubs provably never prune -- so recomputing small-neighborhood spectra on touch sustains exact local spectra at microseconds per update, complete by construction. Third, integrated into a decoupled CSM benchmark against an identical-minus-spectra control, the tests remove up to $51\%$ of candidates or safely skip up to $47\%$ of update enumerations, yet enumeration intermediates remain unchanged -- beyond the gates' skipped first-level bindings, typically zero -- across two engines, four real graphs, two stream types, and $77$ solved queries; a constructed radius-stratified workload confirms the instrument detects the exception when one exists ($-99.9\%$ intermediates, $748\times$ faster). Aggregate tests accelerate what scales with candidate sets -- construction, list scans -- never adjacency-guided exploration. We distill an intermediate-invariance methodology for evaluating CSM filters and release a reusable dynamic local-spectra index.
고차 구조에서 기존 스펙트럼 연산자는 위상을 랭크별로 분해해 정점 수준으로 정보를 되돌리기 어렵다는 문제를, graded Laplacian의 Schur complement로 고차 자유도를 단일 정점 연산자(Collapsed Effective Operator)로 압축하는 방식으로 해결한다. 제안 연산자는 위상이 매개하는 장거리 상호작용을 인코딩하며 양의 준정부(positive semi-definiteness)를 보존하고, 스펙트럼 클러스터링·신호 평활화 성능을 높이고 신경망 위치 인코딩(positional encoding)에 위상적 특징을 통합할 수 있음을 실험으로 확인한다.
그래프 데이터를 분석하는 데 가장 널리 사용되는 두 가지 방법인 인접 행렬 스펙트럼 임베딩(Adjacency Spectral Embedding, ASE)과 라플라시안 스펙트럼 임베딩(Laplacian Spectral Embedding, LSE)은 동일한 그래프에 적용될 때 종종 다른 결과를 생성합니다. 그러나 이러한 불일치 이면의 구조적 이유는 아직 완전히 이해되지 않았습니다. 본 논문은 ASE-LSE 잠재 부분공간 불일치에 대한 종단 간 분석을 제공합니다. 우리는 먼저 라플라시안이 인접 행렬의 스칼라 배수일 때마다 두 방법이 모든 임베딩 차원에 대해 동일한 잠재 부분공간을 생성한다는 것을 증명하고, 이 스칼라 관계는 그래프가 정규(regular)이거나 이분 이중 정규(bipartite biregular)일 때만 성립함을 보여줍니다. 이 기준 결과는 불일치 스펙트럼의 하한을 고정하는 완전 일치에 대한 충분 조건을 식별하며, 섭동 분석(perturbation analysis)을 위한 기준선(baseline)을 제공합니다. 그 다음 우리는 최대 불일치 그래프나 그래프 계열이 존재하지 않음을 증명합니다: 불일치는 항상 이론적 상한보다 엄격하게 낮으며, 유한한 최댓값은 달성할 수 없음을 보여주는 증인 계열(witness family)을 제시하므로, 불일치 지형에는 최대화 요소가 없습니다. 양 끝점이 확립된 상태에서, 우리는 정규성 이탈 경계(Regularity Departure Bound)를 도출하는데, 이 경계의 두 항은 중간 영역에서 불일치에 영향을 미치는 주요 구조적 요인으로서 차수 이질성(degree heterogeneity)과 고유값 간격(eigengap)을 분리합니다. 수천 개의 시뮬레이션된 그래프에 대한 실증적 검증(empirical validation)은 해당 경계가 예측한 메커니즘을 확인합니다: 이질성은 불일치를 높이고, 고유값 간격은 이를 억제하며, 이들의 결합 비율은 ASE-LSE 불일치의 통합 예측 인자로 부각되어, 두 임베딩이 언제 상호 교환 가능하게 처리될 수 있는지와 그렇지 않은지를 시사합니다.