📊 statistics

The Value of Depth in Message Passing on Sparse Graphs: A Kesten-Stigum Dichotomy

यह शोध पत्र विरल ग्राफों (sparse graphs) पर नोड वर्गीकरण के लिए एक केस्टन-स्टिगम द्विभाजन (Kesten-Stigum dichotomy) स्थापित करता है, जो यह सिद्ध करता है कि मैसेज पासिंग में गहराई का मान $\kappa=\gamma^2\Delta$ के अनुपात द्वारा निर्धारित होता है: दहलीज से नीचे ( $\kappa<1$ ), अतिरिक्त परतें घटते प्रतिफल (diminishing returns) देती हैं, जबकि इसके ऊपर ( $\kappa>1$ ), गहराई त्रुटि को एक ब्रांचिंग-प्रोसेस फ्लोर की ओर ज्यामितीय रूप से कम करती है, जिसमें विश्वास प्रसार (belief propagation) सिमुलेशन के माध्यम से इष्टतम परिमित गहराइयों की पहचान की गई है।

मूल लेखक: Aseem Raj Baranwal

प्रकाशित 2026-07-21

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aseem Raj Baranwal

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, धुंधले शहर में एक रहस्य सुलझाने की कोशिश कर रहे हैं। आप भीड़ के बीचों-बीच खड़े हैं, और आपका लक्ष्य यह पता लगाना है कि प्रत्येक व्यक्ति किस "टीम" का सदस्य है। कुछ लोग लाल शर्ट पहने हुए हैं, कुछ नीली, लेकिन रंग फीके पड़ गए हैं, और धुंध के कारण उन्हें देखना कठिन है। आपके पास दो सुराग हैं: जो व्यक्ति आपके ठीक बगल में खड़ा है वह क्या पहन रहा है (उसकी "विशेषता" या feature) और उसके पड़ोसियों ने क्या पहना है (ग्राफ या नेटवर्क)।

आर्टिफिशियल इंटेलिजेंस की दुनिया में, यह एक ग्राफ न्यूरल नेटवर्क (GNN) का काम है। ये स्मार्ट कंप्यूटर प्रोग्राम हैं जिन्हें नेटवर्क, जैसे सोशल मीडिया मित्र या रासायनिक अणुओं से सीखने के लिए डिज़ाइन किया गया है। वे संदेशों को पास करके काम करते हैं: "हे, मुझे लगता है कि मैं ब्लू टीम में हूँ; तुम्हारे बारे में क्या ख्याल है?" वे यह संदेश अपने दोस्तों को देते हैं, जो फिर अपने दोस्तों को देते हैं, और इसी तरह आगे बढ़ते हैं। बड़ा सवाल इंजीनियरों के लिए यह है: संदेश को कितनी दूर तक जाना चाहिए? यदि आप संदेश को बहुत दूर तक जाने देते हैं, तो क्या यह स्पष्ट होता है, या यह केवल धुंधला और भ्रमित हो जाता है? यह शोध पत्र विशेष रूप से "स्पार्स" (sparse) नेटवर्कों के लिए—ऐसी जगहें जहाँ लोगों के बहुत कम दोस्त होते हैं, जैसे एक हलचल भरे महानगर के बजाय एक शांत मोहल्ला—इस प्रश्न की गहराई में जाता है। लेखक एक गणितीय मॉडल का उपयोग करते हैं जिसे स्टोकेस्टिक ब्लॉक मॉडल (Stochastic Block Model) कहा जाता है, जो एक ऐसे शहर का एक आदर्श, सरलीकृत सिमुलेशन है जहाँ लोग अपनी टीम से या दूसरी टीम से यादृच्छिक रूप से (randomly) दोस्त चुनते हैं, और वे सभी एक थोड़ा धुंधला आईडी कार्ड साथ रखते हैं।

महान गहराई की बहस: संदेश को कितनी दूर जाना चाहिए?

यह शोध पत्र एक सरल लेकिन पेचीदा सवाल पूछता है: एक स्पार्स ग्राफ पर (जहाँ हर किसी के केवल कुछ ही दोस्त होते हैं), एक न्यूरल नेटवर्क को अपना सर्वश्रेष्ठ काम करने के लिए कितना गहरा होना चाहिए? लेखकों ने, जिनका नेतृत्व असीम राज बरनवाल (Aseem Raj Baranwal) कर रहे हैं, सभी जटिल प्रशिक्षण और वास्तविक दुनिया के शोर को हटाकर शुद्ध गणित को देखने का निर्णय लिया। उन्होंने नेटवर्क को एक विशाल, शाखाओं वाले पेड़ (कल्पना कीजिए कि एक पारिवारिक वृक्ष जो अनंत काल तक बढ़ता रहता है) की तरह माना और पूछा: "यदि मैं संदेश को शाखाओं के नीचे भेजता रहूँ, तो क्या यह बेहतर होता है, या यह एक दीवार से टकरा जाता है?"

इसका उत्तर एक एकल, जादुई संख्या पर निर्भर करता है जिसे लेखक केस्टेन-स्टिगम अनुपात (Kesten–Stigum ratio) कहते हैं (आइए इसे $\kappa$ कहें)। $\kappa$ को नेटवर्क की "सिग्नल स्ट्रेंथ" (संकेत शक्ति) के रूप में सोचें। यह मापता है कि दोस्तों की राय आपको सच्चाई जानने में कितनी मदद करती है, तुलना में कि शोर (धुंध) आपको कितना भ्रमित करता है।

दो दुनियाएँ: थ्रेशोल्ड (सीमा) के नीचे और ऊपर

शोध पत्र इस संख्या $\kappa$ के आधार पर दो बहुत अलग व्यवस्थाओं (regimes) में विभाजित दुनिया की खोज करता है।

1. "शांत दुनिया" (जब $\kappa < 1$ ): संदेश फीका पड़ जाता है
कल्पना कीजिए कि आप एक शांत मोहल्ले में हैं जहाँ सिग्नल कमजोर है। आप अपने दोस्त से पूछते हैं, "क्या तुम ब्लू हो या रेड?" वे आपको बताते हैं, लेकिन उनकी आवाज़ डगमगा रही है। आप उनके दोस्त से पूछते हैं, जो उनके दोस्त से पूछता है, और इसी तरह।
शोध पत्र यह सिद्ध करता है कि इस शांत दुनिया में, अधिक गहराई तक जाना ज्यादा मदद नहीं करता।

जादुई सीमा: यदि आप केवल कुछ स्तर गहरे जाते हैं (लगभग 2 या 3 कदम), तो आप लगभग सारा उपयोगी जानकारी प्राप्त कर लेते हैं जो आप संभवतः प्राप्त कर सकते हैं।
संतृप्ति (Saturation): यदि आप और गहरा जाते हैं, तो अतिरिक्त संदेश ज्यादातर केवल शोर होते हैं। गणित दिखाता है कि त्रुटि (गलत अनुमान लगाने की आपकी संभावना) बहुत जल्दी सुधरना बंद कर देती है। यह एक लाइब्रेरी में फुसफुसाहट सुनने की तरह है; कुछ सेकंड के बाद, जोर से चिल्लाना भी मदद नहीं करता।
ट्विस्ट: वास्तव में, बहुत गहरा जाना वास्तव में चीजों को थोड़ा बदतर बना सकता है! क्योंकि नेटवर्क यह मान लेता है कि सूचना का हर नया टुकड़ा स्वतंत्र है, यह अनजाने में एक ही पुरानी गपशप को कई बार गिन लेता है। यह एक ही अफवाह को तीन अलग-अलग लोगों से सुनने और यह सोचने जैसा है कि वे तीन नई बातें हैं। शोध पत्र दिखाता है कि इस विशिष्ट प्रकार के नेटवर्क के लिए, एक "स्वीट स्पॉट" (उपयुक्त गहराई) है, और इससे आगे जाना समय की बर्बादी है।

2. "शोर वाली दुनिया" (जब $\kappa > 1$ ): संदेश प्रवर्धित होता है
अब, एक हलचल भरे शहर की कल्पना करें जहाँ सिग्नल मजबूत है। आपके दोस्त बहुत आत्मविश्वासी हैं, और उनके दोस्त भी आत्मविश्वासी हैं।

जादुic वृद्धि: यहाँ, गहराई तक जाना एक सुपरपावर है। हर बार जब आप एक परत जोड़ते हैं, तो सिग्नल मजबूत होता है, और आपका आत्मविश्वास बढ़ता है। त्रुटि तेजी से गिरती है, जैसे गहरे कुएं में गिरता हुआ पत्थर।
फ्लोर (न्यूनतम स्तर): हालाँकि, इस शोर वाली दुनिया में भी, आप पूर्णता प्राप्त नहीं कर सकते। क्यों? क्योंकि नेटवर्क में कुछ लोग पूरी तरह से अलग-थलग हैं—उनके कोई दोस्त नहीं हैं! इन अकेले पड़े नोड्स के लिए, नेटवर्क मदद नहीं कर सकता; आपको केवल उनके आईडी कार्ड के आधार पर अनुमान लगाना होगा। आप चाहे कितनी भी गहराई तक जाएँ, आप इन अलग-थलग पड़े लोगों के लिए होने वाली गलतियों को ठीक नहीं कर सकते। शोध पत्र सिद्ध करता है कि त्रुटि अंततः गिरना बंद कर देगी और इस न्यूनतम स्तर पर बनी रहेगी।

"लीनियराइज्ड" बनाम "परफेक्ट" जासूस

शोध पत्र दो प्रकार के जासूसों की तुलना भी करता है:

लीनियराइज्ड जासूस (The GNN): यह एक मानक AI मॉडल है। यह स्मार्ट है, लेकिन यह चीजों को सरल बनाता है। यह संदेशों को ऐसे जोड़ता है जैसे वे सभी स्वतंत्र हों। शोध पत्र पाता है कि यह जासूस बेहतरीन है, लेकिन इसमें एक दोष है: यह "सह-संबंधित" (correlated) गपशप से भ्रमित हो जाता है (जब दो दोस्त सूचना के एक ही स्रोत को साझा करते हैं)। इसके कारण इसका प्रदर्शन पूरी तरह से सुचारू होने के बजाय थोड़ा डगमगाता है।
परफेक्ट जासूस (Belief Propagation): यह सैद्धांतिक "गोल्ड स्टैंडर्ड" है जो जानता है कि गपशप को बिल्कुल कैसे संभालना है। यह कभी भी दोहराव से भ्रमित नहीं होता। सिमुलेशन दिखाते हैं कि परफेक्ट जासूस हमेशा लीनियराइज्ड जासूस से थोड़ा बेहतर होता है, और यह अधिक तेज़ी से एक बेहतर उत्तर पर पहुँच जाता है। हालाँकि, लीनियराइज्ड जासूस अभी भी बहुत अच्छा है और उसी सामान्य नियमों का पालन करता है।

इसका भविष्य के लिए क्या अर्थ है

सबसे रोमांचक निष्कर्ष इन नेटवर्कों को बनाने के लिए एक नियम है।

बहुत गहरा न जाएँ: आपको सैकड़ों परतों वाले नेटवर्क की आवश्यकता नहीं है। शोध पत्र सिद्ध करता है कि स्पार्स ग्राफ के लिए, $O(\log(1/\epsilon))$ की गहराई पर्याप्त है। सरल शब्दों में: यदि आप 99% सटीक होना चाहते हैं, तो आपको केवल कुछ परतों की आवश्यकता है। यदि आप 99.9% सटीक होना चाहते हैं, तो आपको कुछ और परतों की आवश्यकता होगी, लेकिन आपको केवल इसलिए एक विशाल, गहरा नेटवर्क की आवश्यकता नहीं है क्योंकि ग्राफ बहुत बड़ा है।
पहला कदम महत्वपूर्ण है: नेटवर्क का सबसे पहला स्तर सबसे महत्वपूर्ण होता है। यह सटीकता में गारंटीकृत वृद्धि प्रदान करता है। लेकिन उसके बाद, लाभ पूरी तरह से उस जादुई संख्या $\kappa$ पर निर्भर करता है।

लेखकों ने अपने गणित का समर्थन करने के लिए हजारों कंप्यूटर सिमुलेशन चलाए। उन्होंने पाया कि उनके सिद्धांत पूरी तरह से टिके रहे, यहाँ तक कि जब उन्होंने उन्हें केवल अनंत पेड़ों के बजाय परिमित ग्राफ (वास्तविक आकार के नेटवर्क) पर परीक्षण किया। उन्होंने यह भी पाया कि "टिपिंग पॉइंट" (जहाँ $\kappa$ ठीक 1 है) के पास, नियम धुंधले हो जाते हैं, और नेटवर्क अजीब व्यवहार करता है, लेकिन एक बार जब आप उस बिंदु से दूर चले जाते हैं, तो नियम बिल्कुल स्पष्ट होते हैं।

संक्षेप में, यह शोध पत्र हमें बताता है कि स्पार्स नेटवर्कों पर, अधिक गहराई हमेशा बेहतर नहीं होती। कभी-कभी, सबसे अच्छी रणनीति यह है कि आप अपने दोस्तों को सुनें, उनके दोस्तों को सुनें, और फिर रुक जाएँ। आगे जाना केवल भ्रम की ओर ले जाता है, जब तक कि नेटवर्क अविश्वसनीय रूप से मजबूत न हो, ऐसी स्थिति में आप गहराई तक जा सकते हैं, लेकिन आप अंततः भीड़ में अकेले पड़े लोगों द्वारा निर्धारित दीवार से टकरा जाएंगे। यह ग्राफ इंटेलिजेंस की दुनिया में हमें कितनी गहराई तक खोदना चाहिए, इसका एक सुंदर और सटीक मानचित्र है।

तकनीकी सारांश: स्पार्स ग्राफ पर मैसेज पासिंग में गहराई का मूल्य

समस्या विवरण

यह शोध पत्र ग्राफ न्यूरल नेटवर्क (GNNs) के संबंध में एक मौलिक सांख्यिकीय प्रश्न को संबोधित करता है: एक नोड के वर्गीकरण (classification) में मैसेज पासिंग की $\ell$ -वीं परत कितनी सांख्यिकीय वैल्यू जोड़ती है?

जबकि अनुभवजन्य अवलोकन (empirical observations) यह सुझाव देते हैं कि स्पार्स ग्राफ पर गहरे GNN अक्सर उथले (shallow) GNNs की तुलना में खराब प्रदर्शन करते हैं (जिसे ओवरस्मूथिंग या इंफॉर्मेशन बॉटलनेक्स के रूप में देखा जाता है), यह कार्य इस समस्या को प्रशिक्षण गतिकी (training dynamics) और विशिष्ट आर्किटेक्चर से अलग करता है। इसके बजाय, यह स्पार्स कॉन्टेक्स्टुअल स्टोकेस्टिक ब्लॉक मॉडल (CSBM) पर नोड वर्गीकरण का विश्लेषण करता है, जहाँ औसत डिग्री $\Delta = O(1)$ है। इस शासन (regime) में, एक विशिष्ट वर्टेक्स का स्थानीय पड़ोस एक ब्रॉडकास्ट-लेबल वाले पॉइसन गालटन-वात्सन ट्री (Poisson Galton–Watson tree) में अभिसरित (converge) होता है। यह अध्ययन एक विशिष्ट, सांख्यिकीय रूप से व्युत्पन्न मैसेज-पासिंग क्लासिफायर $h_\ell$ (जो एक GNN द्वारा साकार किया जा सकता है) पर ध्यान केंद्रित करता है और मिसक्लासिफिकेशन एरर $E(\ell)$ के संदर्भ में गहराई $\ell$ बढ़ाने के मार्जिनल मूल्य को परिमाणित करता है।

कार्यप्रणाली (Methodology)

विश्लेषण स्पार्स CSBM के लोकल वीक लिमिट पर किया गया है: एक पॉइसन गालटन-वात्सन ट्री जहाँ लेबल एक ब्रॉडकास्ट प्रक्रिया का पालन करते हैं (संभावना $(1+\gamma)/2$ के साथ बनाए रखे जाते हैं) और वर्टिसेस स्वतंत्र फीचर्स रखते हैं जो क्लास-कंडीशनल डिस्ट्रीब्यूशन से लिए गए हैं।

अध्ययन की मुख्य वस्तु पेयरवाइज मैसेज-पासिंग क्लासिफायर $h_\ell = \text{sgn}(T_\ell)$ है, जिसे इस सांख्यिकी द्वारा परिभाषित किया गया है:
$T_\ell = \sum_{k=0}^\ell \sum_{v \in N_k} 2 \text{artanh}\left( \gamma^k t(X_v) \right)$
जहाँ:

$N_k$ रूट से दूरी $k$ पर स्थित वर्टिसेस का सेट है।
$\gamma = (a-b)/(a+b)$ एज सिग्नल है।
$t(x)$ फीचर $x$ का एक बाउंडेड लाइकलीहुड-रेशियो ट्रांसफॉर्म है।
टर्म $2 \text{artanh}(\gamma^k t(X_v))$ दूरी-घटते हुए साक्ष्य (distance-attenuated evidence) को दर्शाता है, जो गहराई $k$ से आने वाले संदेशों को स्वतः ही एक घटते हुए विंडो तक सीमित कर देता है।

यह शोध पत्र इस रैखिकीकृत (linearized) नियम की तुलना सटीक बेलिफ प्रोपेगेशन (Exact Belief Propagation - BP) से करता है और संभाव्यता सिद्धांत (probability theory) के उपकरणों का उपयोग करता है, जिनमें शामिल हैं:

टू-टाइप ब्रांचिंग-प्रोसेस मार्टिंगेल (विशेष रूप से केस्टन-स्टिगम मार्टिंगेल)।
ब्रॉडकास्ट प्रक्रियाओं में सहसंबंध क्षय (correlation decay)।
क्लास स्वैपिंग के तहत संदेशों के लिए एक एंटीसिमेट्री पहचान (antisymmetry identity)।
लॉग-लाइकलीहुड रेशियो के लिए एंटी-कंसन्ट्रेशन असमानताएँ।

मुख्य योगदान और परिणाम

गहराई का मूल्य एक एकल पैरामीटर द्वारा नियंत्रित होता है: केस्टन-स्टिगम अनुपात $\kappa = \gamma^2 \Delta$ । यह शोध पत्र $\kappa < 1$ या $\kappa > 1$ के आधार पर एरर सीक्वेंस $E(\ell)$ के व्यवहार में एक द्विशाखित (dichotomy) स्थिति स्थापित करता है।

1. थ्रेशोल्ड के नीचे ( $\kappa < 1$ ): ज्यामितीय संतृप्ति (Geometric Saturation)

परिणाम: एरर सीक्वेंस एक ज्यामितीय दर पर कॉची (Cauchy) है। विशेष रूप से, $|E(\ell) - E(\ell')| \leq C \kappa^{(\ell+1)/3}$ जहाँ $\ell' > \ell$ ।
निहितार्थ: गहराई तेजी से संतृप्त हो जाती है। $\ell > O(\log(1/\epsilon))$ की गहराई के बाद के सभी लेयर्स एरर को $\epsilon$ से कम बदलती हैं।
तंत्र (Mechanism): संतृप्ति $\ell$ के बाद की पीढ़ियों द्वारा ले जाए गए अपेक्षित साक्ष्य के सटीक निष्कासन (exact cancellation) से उत्पन्न होती है। जबकि साइन्ड वर्टिसेस की गणना बढ़ती हुई प्रतीत होती है, संदेशों की एंटीसिमेट्री और ब्रांचिंग संरचना के कारण शुद्ध साक्ष्य का सेकंड मोमेंट ज्यामितीय रूप से लुप्त हो जाता है।
लोअर बाउंड: थ्योरम 3.2 सिद्ध करता है कि निर्णय परिवर्तन (डिसीजन फ्लिप्स) की संभावना कम से कम $c \kappa^{\ell/2}$ है, जो सुझाव देता है कि वास्तविक संतृप्ति एक्सपोनेंट संभवतः $\ell/2$ है (जो सिमुलेशन से मेल खाता है), हालांकि व्युत्पन्न ऊपरी बाउंड $\ell/3$ है।

2. थ्रेशोल्ड के ऊपर ( $\kappa > 1$ ): ज्यामितीय प्रवर्धन (Geometric Amplification)

परिणाम: गहराई उत्पादक है। एरर $E(\ell)$ एक ज्यामितीय दर से एक "फ्लोर" (floor) की ओर संचालित होती है।
निहितार्थ: प्रत्येक अतिरिक्त लेयर निर्णय सांख्यिकी के सिग्नल-टू-नॉइज़ रेश्यो को $\kappa$ से गुणा करती है। एरर एक फ्लोर की ओर अभिसरित होती है जो अंतर्निहित ब्रांचिंग प्रक्रिया के उतार-चढ़ाव और विलुप्ति व्यवहार (extinction behavior) द्वारा निर्धारित होती है (प्रदान किए गए थ्योरम में $O(1/(\kappa-1))$ द्वारा सीमित)।
चेतावनी: फ्लोर कांस्टेंट पर सैद्धांतिक बाउंड अन-ऑप्टिमाइज्ड है और वर्तमान में केवल $\kappa > 17$ के लिए ही गैर-रिक्त (non-vacuous) है। हालांकि, सिमुलेशन $\kappa > 1$ वाले रेजीम में ज्यामितीय प्रवर्धन व्यवहार का समर्थन करते हैं।

3. यूनिवर्सल फ्लोर और फर्स्ट-लेयर इम्प्रूवमेंट

यूनिवर्सल फ्लोर: कोई भी स्थानीय क्लासिफायर, चाहे उसकी गहराई कुछ भी हो, आइसोलेटेड रूट्स द्वारा निर्धारित एरर फ्लोर को नहीं हरा सकता: $P(\text{error}) \geq e^{-\Delta} \varepsilon_{\text{feat}}$ , जहाँ $\varepsilon_{\text{feat}}$ केवल फीचर के बेयस एरर (Bayes error) को दर्शाता है। गहराई फीचर सिग्नल की कमी की भरपाई नहीं कर सकती।
फर्स्ट लेयर: पहली लेयर स्पष्ट रूप से फीचर-ओनली क्लासिफायर की तुलना में प्रदर्शन में सुधार करती है ( $E(0) > E(1)$ ), जो डेप्थ-1 ऑब्जर्वेशन की टोटल वेरिएशन डिस्टेंस से संबंधित एक स्पष्ट मात्रा द्वारा निर्धारित है।

4. पेयरवाइज रूल बनाम सटीक बेलिफ प्रोपेगेशन (BP)

रैखिकीकरण (Linearization): पेयरवाइज नियम को अनइंफॉर्मेटिव फिक्स्ड पॉइंट के आसपास सटीक BP के रैखिकीकरण के रूप में पहचाना गया है। वे $\ell=1$ पर और सिंगल-सोर्स पाथ पर मेल खाते हैं, लेकिन जब साक्ष्य एक पथ के साथ जमा होता है तो वे अलग हो जाते हैं।
गैर-एकदिष्टता (Non-Monotonicity): सटीक BP (जो एरर में मोनोटोनिक नॉन-इंक्रीजिंग है) के विपरीत, पेयरवाइज नियम हल्की गैर-एकदिष्टता प्रदर्शित करता है। एक इष्टतम परिमित गहराई के बाद, एरर थोड़ा बढ़ जाता है क्योंकि पेयरवाइज नियम सह-संबंधित गहरे साक्ष्य (साझा पूर्वजों वाले वर्टिसेस से प्राप्त) को स्वतंत्र मानता है, जिससे शोर (noise) जमा हो जाता है।
रेट एसिमेट्री (Rate Asymmetry): सिमुलेशन संकेत देते हैं कि सटीक BP, पेयरवाइज नियम की तुलना में एक सख्त तेज़ ज्यामितीय दर से संतृप्त होता है (थ्रेशोल्ड के नीचे) या अपने फ्लोर की ओर बढ़ता है (थ्रेशोल्ड के ऊपर), जो एक प्रभावी $\kappa_{\text{BP}} < \kappa$ द्वारा संचालित होता है।

महत्व और दावे

यह शोध पत्र स्पार्स ग्राफ पर GNNs में गहराई का एक शुद्ध सांख्यिकीय विवरण प्रदान करने का दावा करता है, जो ओवरस्मूथिंग जैसे आर्किटेक्चरल या ट्रेनिंग-आधारित स्पष्टीकरणों से भिन्न है।

डिज़ाइन प्रिस्क्रिप्शन: स्पार्स ग्राफ के लिए, उपयोगी गहराई $O(\log(1/\epsilon))$ है, जो ग्राफ के आकार $n$ से स्वतंत्र है। यह एक स्थिरांक गहराई है जो परिमित ग्राफों की $O(\log n)$ लोकैलिटी होराइजन से बहुत नीचे है।
एटेन्युएशन बनाम एवरेजिंग: सांख्यिकीय रूप से इष्टतम नियम स्वाभाविक रूप से गहरे साक्ष्य ( $\gamma^k$ ) को कम (attenuate) करता है। शोध पत्र सुझाव देता है कि वैनिला डीप GCNs की विफलता (जो हॉप्स को समान रूप से वेट करते हैं) इस आवश्यक एटेन्युएशन को अनदेखा करने का परिणाम हो सकती है।
सीमाएं: लेखक अपने कांस्टेंट्स की शार्पनेस (sharpness) को लेकर विनम्र हैं। थ्योरम 3.1 का एक्सपोनेंट ( $\ell/3$ ) संभवतः $\ell/2$ में सुधारा जा सकता है, और थ्योरम 3.3 का फ्लोर बाउंड मध्यम $\kappa$ के लिए ढीला (loose) है। पेपर स्पष्ट रूप से कहता है कि जबकि एक्सपोनेंट्स सिमुलेशन में शार्प हैं, कांस्टेंट्स अनुकूलित नहीं हैं और वे विशिष्ट मापदंडों (जैसे $\kappa < 17$ के लिए रिक्त बाउंड) पर उनके प्रयोगात्मक परिणामों को प्रमाणित नहीं करते हैं।
खुले प्रश्न: पेपर थ्रेशोल्ड के ऊपर अभिसरण की सटीक दर, थ्रेशोल्ड के ऊपर $E(\ell)$ के लिए एक सीमा (लिमिट) का अस्तित्व (गैर-एकदिष्टता के कारण), और क्लास एसिमेट्री के तहत व्यवहार (जहाँ कैंसिलेशन मैकेनिज्म विफल हो जाता है) को खुला छोड़ देता है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि स्पार्स ग्राफ पर, गहराई का मूल्य कस्टन-स्टिगम अनुपात द्वारा सख्ती से सीमित है। थ्रेशोल्ड के नीचे, गहराई घटते रिटर्न देती है जो ज्यामितीय रूप से लुप्त हो जाते हैं; थ्रेशोल्ड के ऊपर, गहराई सिग्नल को तब तक बढ़ाती है जब तक कि वह ब्रांचिंग प्रक्रिया और फीचर नॉइज़ द्वारा लगाए गए एक मौलिक स्तर तक नहीं पहुँच जाती।