この論文では、ハイブリッドドメインスペクトルGNN（グラフニューラルネットワーク）におけるアーキテクチャの不安定性について詳しく分析しています。スペクトルグラフニューラルネットワークは、グラフフィルタリングに理論的なアプローチを提供しますが、安定性と適応性の間には重要なトレードオフがあります。計算の安定性が高いフィルタ（例：ChebyNet）は、異なる種類のグラフに対するパフォーマンスが低下する一方で、適応性の高いフィルタ（例：KrawtchoukNet）は優れた性能を発揮しますが、数値の不安定さに悩まされることがあります。本研究では、これらの特徴を統合するハイブリッドアーキテクチャ「HybSpecNet」を提案し、実験を通じて「Instability Poisoning」という問題が発生することを示しました。最終的に、遅延融合を用いた新しいアーキテクチャによってこの不安定性を解決し、広範なグラフタイプでの最先端の性能を維持することに成功しました。この研究は、ハイブリッドGNN設計における重要な落とし穴とその解決策を明らかにしています。