无孤立顶点简单图中归一化矩阵$D^{-1}A$的特征值范围咨询

嘿，我最近在研究图卷积算法里的归一化操作，碰到个问题想请教各位大佬：

假设我们有一个无孤立节点的简单图$G$（也就是每个节点$v$的度数$\deg(v) \geq 1$）。在深度学习领域，尤其是图卷积算法中，有一种很流行的归一化方式——用$D^{-1}A$（其中$D$是邻接矩阵$A$对应的度矩阵）来乘以节点特征，而不是直接使用邻接矩阵$A$。

Kipf曾对这个操作给出过解释：

第二个主要局限是$A$通常没有经过归一化，因此与$A$相乘会彻底改变特征向量的尺度（我们可以通过观察$A$的特征值来理解这一点）。将$A$归一化为每行和为1的形式，也就是$D^{-1}A$（$D$是对角节点度矩阵），就能解决这个问题。

我能理解$A$的特征值可能大于1的情况，比如下面这个邻接矩阵：
$$\begin{pmatrix}0 & 1 & 0\\ 1 & 0 & 1\ 0 & 1 & 0\end{pmatrix}$$
它的最大特征值是$\sqrt{2}$，这样当图卷积层堆叠起来时，特征就会像循环神经网络里的权重矩阵那样出现爆炸的情况。但我现在搞不清楚$D^{-1}A$的特征值范围到底是怎样的，有没有大佬能给点见解或者相关的参考思路呀？

备注：内容来源于stack exchange，提问作者IntegrateThis