wl迭代以哪个节点为最后零件点进行计算呢，怎么实现图不变性的

好问题！让我详细解释 WL 迭代的计算机制和图不变性的实现原理。

已查看文件 face_graph_builder.cs

非常好的问题！让我详细解释 WL 迭代的计算机制和图不变性原理：

🔍 WL 迭代的核心机制

❌ 没有"最后节点"的概念

WL 算法的关键特点是：所有节点同时参与计算，没有先后顺序之分。

看你的代码实现：

csharp 复制代码

// wl_graph_kernel.cs 第 43-72 行
for (int iter = 1; iter <= iterations; iter++)
{
    // 为每个节点生成新标签
    var newLabels = new Dictionary<int, string>();
    
    foreach (var node in graph.Nodes)
    {
        // 收集邻居标签并排序
        var neighborLabels = node.NeighborIds
            .Select(neighborId => graph.Nodes[neighborId].CurrentLabel)
            .OrderBy(label => label)  // ← 关键：排序保证不变性
            .ToList();

        // 构造新标签：当前标签 + 排序后的邻居标签集合
        string combinedLabel = CombineLabels(node.CurrentLabel, neighborLabels);
        newLabels[node.Id] = combinedLabel;
    }

    // 统一更新所有节点的标签
    foreach (var node in graph.Nodes)
    {
        node.CurrentLabel = newLabels[node.Id];
    }
}

🎯 迭代过程示意

假设有一个简单的零件图：

复制代码

迭代 0（初始）:
  节点 1: "圆柱面" ------ 邻居：[节点 2, 节点 3]
  节点 2: "平面"   ------ 邻居：[节点 1, 节点 3]
  节点 3: "平面"   ------ 邻居：[节点 1, 节点 2]

迭代 1:
  节点 1: Hash("圆柱面_ (平面，平面)") 
  节点 2: Hash("平面_ (圆柱面，平面)")
  节点 3: Hash("平面_ (圆柱面，平面)")
  
注意：节点 2 和节点 3 标签相同（结构对称）

🛡️ 图不变性的实现原理

1️⃣ 排列不变性（Permutation Invariance）

问题： 如果给节点重新编号，相似度结果应该不变

解决方案： 对邻居标签排序

csharp 复制代码

// 关键代码
var neighborLabels = node.NeighborIds
    .Select(neighborId => graph.Nodes[neighborId].CurrentLabel)
    .OrderBy(label => label)  // ← 字母排序
    .ToList();

示例：

复制代码

场景 A：节点 1 的邻居是 [节点 5="平面", 节点 3="圆柱面"]
场景 B：节点 1 的邻居是 [节点 3="圆柱面", 节点 5="平面"]

不排序：
  场景 A → "圆柱面_ (平面，圆柱面)"
  场景 B → "圆柱面_ (圆柱面，平面)"
  ❌ 结果不同！

排序后：
  场景 A → "圆柱面_ (平面，圆柱面)"
  场景 B → "圆柱面_ (平面，圆柱面)"
  ✅ 结果相同！

2️⃣ 同构不变性（Isomorphism Invariance）

问题： 两个结构相同的图（节点编号不同），应该得到相同的标签分布

解决方案： WL 迭代的消息传递机制

复制代码

图 A:                    图 B:
  ①--②                   ⑤--④
  |  |                   |  |
  ③--④                   ⑦--⑥

虽然节点编号不同，但拓扑结构相同

迭代 0:
  图 A: [圆柱面，平面，平面，圆柱面]
  图 B: [圆柱面，平面，平面，圆柱面]
  
迭代 1:
  图 A: [H1, H2, H2, H1]  (H1=Hash("圆柱面_ (平面，平面)"))
  图 B: [H1, H2, H2, H1]
  
✅ 标签频率完全相同！

3️⃣ 尺度不变性（通过统计向量）

问题： 如何比较节点数不同的图？

解决方案： 使用标签频率向量而非具体节点

csharp 复制代码

// wl_graph_kernel.cs 第 113-127 行
private static Dictionary<string, int> CountLabelFrequencies(PartGraph graph)
{
    var frequency = new Dictionary<string, int>();
    
    foreach (var node in graph.Nodes)
    {
        if (!frequency.ContainsKey(node.CurrentLabel))
        {
            frequency[node.CurrentLabel] = 0;
        }
        frequency[node.CurrentLabel]++;  // ← 只统计次数，不管具体位置
    }
    
    return frequency;
}

示例：

复制代码

零件 A（10 个面）: 
  标签 L1: 4 次，标签 L2: 6 次
  → 向量 A = [L1:4, L2:6]

零件 B（20 个面，结构类似）:
  标签 L1: 8 次，标签 L2: 12 次
  → 向量 B = [L1:8, L2:12]

余弦相似度计算：
  A·B = 4×8 + 6×12 = 104
  ||A|| = √(4²+6²) = 7.21
  ||B|| = √(8²+12²) = 14.42
  similarity = 104 / (7.21×14.42) ≈ 1.0  ✅

📊 完整的不变性保证

不变性类型	保证机制	代码位置
排列不变性	邻居标签排序	`OrderBy(label => label)`
同构不变性	WL 消息传递	迭代细化标签
平移/旋转不变性	基于拓扑而非坐标	`FaceType` 作为初始标签
尺度不变性	频率向量归一化	余弦相似度公式
节点编号不变性	使用哈希标签	`HashLabel()` 函数

🎓 总结

WL 迭代不以某个特定节点为终点，而是：

全局并行更新：所有节点在每轮迭代中同时更新标签
局部聚合：每个节点聚合其邻居的信息
统计表征：最终用标签频率向量表示整张图

图不变性通过以下机制保证：

✅ 邻居排序 → 排列不变性
✅ 消息传递 → 同构不变性
✅ 频率统计 → 尺度不变性
✅ 哈希压缩 → 编号无关性

这使得 WL 图核能够稳定地捕捉零件的拓扑结构本质，而不受节点编号、坐标系、缩放等因素影响。

需要我画个示意图进一步说明吗？