論文の概要: Enhancing Graph Neural Networks with Quantum Computed Encodings
- arxiv url: http://arxiv.org/abs/2310.20519v1
- Date: Tue, 31 Oct 2023 14:56:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 14:27:51.364807
- Title: Enhancing Graph Neural Networks with Quantum Computed Encodings
- Title(参考訳): 量子計算エンコーディングによるグラフニューラルネットワークの拡張
- Authors: Slimane Thabet, Romain Fouilland, Mehdi Djellabi, Igor Sokolov, Sachin
Kasture, Louis-Paul Henry, Lo\"ic Henriet
- Abstract要約: グラフ変換器に適した位置符号化の新たなファミリーを提案する。
これらのエンコーディングは、量子系に固有の長距離相関を利用する。
標準ベンチマークや大規模データセットでは,最先端モデルの性能向上が期待できる。
- 参考スコア(独自算出の注目度): 1.884651553431727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transformers are increasingly employed for graph data, demonstrating
competitive performance in diverse tasks. To incorporate graph information into
these models, it is essential to enhance node and edge features with positional
encodings. In this work, we propose novel families of positional encodings
tailored for graph transformers. These encodings leverage the long-range
correlations inherent in quantum systems, which arise from mapping the topology
of a graph onto interactions between qubits in a quantum computer. Our
inspiration stems from the recent advancements in quantum processing units,
which offer computational capabilities beyond the reach of classical hardware.
We prove that some of these quantum features are theoretically more expressive
for certain graphs than the commonly used relative random walk probabilities.
Empirically, we show that the performance of state-of-the-art models can be
improved on standard benchmarks and large-scale datasets by computing tractable
versions of quantum features. Our findings highlight the potential of
leveraging quantum computing capabilities to potentially enhance the
performance of transformers in handling graph data.
- Abstract(参考訳): グラフデータにはトランスフォーマーがますます使われており、様々なタスクで競合性能を示している。
これらのモデルにグラフ情報を組み込むためには、位置エンコーディングによるノードとエッジの特徴の強化が不可欠である。
本研究では,グラフ変換器に適した位置符号化の新たなファミリーを提案する。
これらのエンコーディングは、量子コンピュータ内の量子ビット間の相互作用にグラフのトポロジーをマッピングすることで生じる、量子システムに固有の長距離相関を利用する。
私たちのインスピレーションは、量子処理ユニットの最近の進歩に起因しています。
これらの量子特徴のいくつかは、理論上、一般的な相対ランダムウォーク確率よりも、あるグラフに対してより表現的であることが証明される。
実験により,量子機能の扱いやすいバージョンを計算することにより,標準ベンチマークや大規模データセットにおいて最先端モデルの性能が向上することを示す。
本研究は,グラフデータ処理における変圧器の性能向上に量子コンピューティング機能を活用する可能性を明らかにする。
関連論文リスト
- Complex-Phase Extensions of Szegedy Quantum Walk on Graphs [0.0]
この研究は、リンク位相と局所任意位相回転(APR)を組み込んだグラフ相Szegedyの量子ウォークを導入する。
我々はこれらの進歩に量子回路を適応させる方法を示し、計算実用性を保証する位相パターンを実現する。
我々の発見は、より汎用的で強力な量子コンピューティングパラダイムへの道のりを照らしている。
論文 参考訳(メタデータ) (2024-10-29T12:57:31Z) - Quantum Positional Encodings for Graph Neural Networks [1.9791587637442671]
本稿では,量子コンピュータを用いて得られたグラフニューラルネットワークに適した位置符号化の新たなファミリを提案する。
私たちのインスピレーションは、量子処理ユニットの最近の進歩に起因しています。
論文 参考訳(メタデータ) (2024-05-21T17:56:33Z) - Graph Transformers without Positional Encodings [0.7252027234425334]
グラフのラプラシアンスペクトルを認識する新しいスペクトル対応アテンション機構を用いたグラフ変換器であるEigenformerを紹介する。
我々は,多数の標準GNNベンチマークにおいて,SOTAグラフ変換器の性能向上を実証的に示す。
論文 参考訳(メタデータ) (2024-01-31T12:33:31Z) - Deep Prompt Tuning for Graph Transformers [55.2480439325792]
ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。
ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。
事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
論文 参考訳(メタデータ) (2023-09-18T20:12:17Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - Extending Graph Transformers with Quantum Computed Aggregation [0.0]
本稿では,量子系の長距離相関を用いて集約重みを計算するGNNアーキテクチャを提案する。
これらの相関は、グラフトポロジーを量子コンピュータ内の量子ビットの集合の相互作用に変換することによって生成される。
論文 参考訳(メタデータ) (2022-10-19T14:56:15Z) - From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。
本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。
今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
論文 参考訳(メタデータ) (2022-02-19T02:56:47Z) - Post-Training Quantization for Vision Transformer [85.57953732941101]
本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。
約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
論文 参考訳(メタデータ) (2021-06-27T06:27:22Z) - Quantum machine learning of graph-structured data [0.38581147665516596]
グラフ構造化量子データについて検討し、量子ニューラルネットワークによる量子機械学習の実施方法について述べる。
我々は、この追加グラフ構造を体系的に利用して量子学習アルゴリズムを改善する方法について説明する。
論文 参考訳(メタデータ) (2021-03-19T14:39:19Z) - Generation of High-Resolution Handwritten Digits with an Ion-Trap
Quantum Computer [55.41644538483948]
本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。
我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
論文 参考訳(メタデータ) (2020-12-07T18:51:28Z) - Machine learning transfer efficiencies for noisy quantum walks [62.997667081978825]
グラフ型と量子系コヒーレンスの両方の要件を見つけるプロセスは自動化可能であることを示す。
この自動化は、特定のタイプの畳み込みニューラルネットワークを使用して、どのネットワークで、どのコヒーレンス要求の量子優位性が可能かを学習する。
我々の結果は、量子実験における利点の実証と、科学的研究と発見の自動化への道を開くために重要である。
論文 参考訳(メタデータ) (2020-01-15T18:36:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。