文章核心总结
本文重新审视了早期谱图神经网络ChebNet，发现其在长距离任务上具备竞争力，但存在高阶多项式导致的训练不稳定性问题。为此提出Stable-ChebNet，通过将ChebNet构建为稳定的非耗散动力系统，引入反对称权重参数化和前向欧拉离散化，在无需特征分解、位置编码或图重连的情况下，实现稳定的信息传播。实验表明，Stable-ChebNet在多个长距离基准测试中达到或超越当前最优模型，同时保持良好的可扩展性。
主要创新点
Abstract 翻译
ChebNet是最早的谱图神经网络之一，但在消息传递神经网络（MPNNs）的光环下逐渐被忽视——MPNNs因其简洁性和捕获局部图结构的有效性而广受青睐。尽管MPNNs取得了成功，但其捕获节点间长距离依赖关系的能力有限。这促使研究人员通过重连图结构或使用图Transformer来改进MPNNs，然而这既牺牲了早期空间消息传递架构的计算效率，又往往忽视
