以下是转换为 Markdown 格式的内容，公式已用 `$` 或 `$$` 包裹：

---

下面给出一个**最简示例**，只展示 **节点 $A$** 在两层 GNN 里的更新计算过程，并说明它是如何从 2-hop 范围（即节点 $C, D$）间接获得信息。

---

## 图结构与初始特征

```
    A
    |
    B
   / \
  C   D
```

- **边**：$A$–$B$，$B$–$C$，$B$–$D$  
- **初始特征 (Layer-0)**：
  - $A^{(0)} = [1.0,\ 0.5]$
  - $B^{(0)} = [0.8,\ 1.2]$
  - $C^{(0)} = [0.3,\ 0.7]$
  - $D^{(0)} = [1.5,\ 0.9]$

---

**第 1 层更新：$A^{(0)} \to A^{(1)}$**

1. **节点 $A$ 的 1-hop 邻居**：只有 $B$。  
2. **聚合**（示例：自 + sum 邻居）：
   $$
   z_A^{(1)} \;=\; A^{(0)} + B^{(0)}
              \;=\; [1.0,\,0.5] + [0.8,\,1.2]
              \;=\; [1.8,\,1.7].
   $$
3. **MLP 变换**：用一个两层感知器或线性+激活函数映射 $z_A^{(1)}$ 到 2 维输出：
   $$
   A^{(1)} \;=\; \mathrm{MLP}\bigl(z_A^{(1)}\bigr).
   $$
   - （数值略，可想象 $\mathrm{MLP}([1.8,1.7]) \approx [1.9,1.1]$ 之类。）

**结果**：$A^{(1)}$ 包含了 **A** 的初始特征 + **B** 的初始特征信息。

---

**第 2 层更新：$A^{(1)} \to A^{(2)}$**

为了让 **A** 获得 **2-hop** 范围（$C, D$）的信息，需要**先**让 **B** 在第 1 层就吸收了 $C, D$ 的特征，从而 **B^{(1)}** 蕴含 $C, D$ 信息。然后 **A** 在第 2 层再从 **B^{(1)}** 聚合。

1. **节点 B 在第 1 层**（简要说明）  
   
   - 邻居：$\{A,C,D\}$  
   - 聚合：$z_B^{(1)} = B^{(0)} + A^{(0)} + C^{(0)} + D^{(0)}$  
   - MLP 变换：$B^{(1)} = \mathrm{MLP}\bigl(z_B^{(1)}\bigr)$。  
   - 此时 **B^{(1)}** 已经包含了 $C, D$ 的信息。
   
2. **节点 $A$ 的第 2 层聚合**  
   - 邻居：$B$，但此时要用 **B^{(1)}**（它已吸收 C、D）  
   - **聚合**：
     $$
     z_A^{(2)} = A^{(1)} + B^{(1)}.
     $$
   - **MLP 变换**：
     $$
     A^{(2)} = \mathrm{MLP}\bigl(z_A^{(2)}\bigr).
     $$

**结果**：$A^{(2)}$ 就包含了 **2-hop** 范围的信息，因为 **B^{(1)}** 中有 $C, D$ 的贡献。

---

## 小结

- **第 1 层**：A 直接获取 B 的初始特征；B 同时获取 A、C、D 的初始特征。  
- **第 2 层**：A 获取 B 的**新表示**（B^{(1)}），该表示已带有 C、D 信息 → A 间接获得 2-hop 信息。  
- **每层**都进行“聚合 + MLP”**同步更新**，最终 $A^{(2)}$ 就是节点 A 的 2 层 GNN 输出。

---

如果需要进一步调整或补充，请告诉我！