谱图生成模型通过拉普拉斯矩阵的特征值和特征向量来描述图结构，相比直接构造图更紧凑且连续。然而，这些特征系统必须满足拉普拉斯矩阵的固有约束：特征向量正交归一、特征值非负以及零特征值对应的空域必须为常数向量。现有方法仅保证正交归一，却忽略了零特征空间的约束，导致生成的特征系统可能与真实拉普拉斯结构不兼容。为此我们提出 拉普拉斯约束 Stiefel 流匹配 (LaSFM)，在生成过程中同步保持正交归一、正特征值以及空域约束。我们首先对受约束的 Stiefel 流形进行几何刻画，推导出在该流形上的流匹配方程，并实现基于神经网络的连续时间演化。进一步地，LaSFM 可扩展为属性引导生成：在保持结构约束的前提下，通过附加目标属性的梯度，引导样本向期望的图属性（如度分布、聚类系数）靠拢。实验在多个公开数据集上进行，结果显示 LaSFM 在谱指标（特征值分布、特征向量相似度）和图级指标（边数、连通性）上均优于基线，同时在属性对齐上表现更佳。\n\n点评