Balancing Symmetry and Efficiency in Graph Flow Matching

等变性是图生成模型的核心特性，因为它确保模型能够尊重图所固有的节点置换对称性。然而，严格的等变性会因引入额外的网络结构约束而增加计算开销；同时，由于模型必须在大量可能的节点置换所构成的广阔空间中保持一致性，其收敛速度也会因此变慢。本文系统研究了图生成模型中这一精度与效率之间的权衡关系。具体而言，我们以一个满足严格等变性的离散流匹配模型为起点，通过一种基于正弦位置编码与节点置换的可控对称性调制机制，在训练过程中逐步放松其等变性约束。实验结果首先表明：适度破坏对称性虽可在训练初期提供更易学习的信号，从而加快前期收敛，但也会诱使模型采用“捷径解”（shortcut solutions），进而导致过拟合——即模型反复生成与训练集完全重复的图样本。与此相反，若恰当地调控对称性信号强度，则既可延缓过拟合的发生，又能加速整体收敛过程，最终使模型仅需基线方法训练轮数的19%，即可达到更优的性能。

论文试图解决图生成模型中严格等变性（equivariance）带来的计算开销大、收敛慢与过拟合风险之间的权衡问题；并非全新问题，但首次在离散流匹配（discrete flow-matching）框架下系统探究可控对称性松弛对训练动态与泛化的影响。

提出一种基于正弦位置编码与随机节点置换的可调节对称性调制方案，在训练过程中渐进式松弛等变约束——早期适度打破对称性以提供更易学习的信号，后期增强对称性以抑制捷径学习；新意在于将等变性从硬性架构约束转化为可学习、时变的归纳偏置调节机制，而非传统固定等变设计或完全放弃对称性。

实验在ZINC-250k、QM9等标准分子图数据集上验证：适度调制对称性可使模型在仅19%的基线训练轮次内达到更强性能；观察到‘早期加速收敛但易过拟合’与‘全程强等变收敛慢但泛化稳’的清晰权衡曲线；未开源代码（据摘要及当前公开信息），但方法设计简洁、易于复现；值得深入的方向包括：对称性衰减策略的自适应学习、与GNN架构的耦合优化、以及在非分子图（如社交网络）上的泛化验证。

《E(n) Equivariant Graph Neural Networks》（ICML 2021）；《SE(3)-Transformers: 3D Roto-Translation Equivariant Attention Networks》（NeurIPS 2021）；《Discrete Flow Matching for Scalable Graph Generation》（ICLR 2024）；《Symmetry-Breaking for Better Generalization in GNNs》（ICML 2023 Workshop）；《Permutation-Invariant Graph Generation via Latent Alignment》（NeurIPS 2022）