論文の概要: Quantum Graph Convolutional Networks Based on Spectral Methods

• arxiv url: http://arxiv.org/abs/2503.06447v1
• Date: Sun, 09 Mar 2025 05:08:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:47:20.827653
• Title: Quantum Graph Convolutional Networks Based on Spectral Methods
• Title（参考訳）: スペクトル法による量子グラフ畳み込みネットワーク
• Authors: Zi Ye, Kai Yu, Song Lin,
• Abstract要約: Graph Convolutional Networks (GCN) は、グラフ構造化データからの特徴抽出のための特殊なニューラルネットワークである。 本稿では、量子コンピューティング技術を統合することで、スペクトル法に基づくGCNの強化を提案する。
• 参考スコア（独自算出の注目度）: 10.250921033123152
• License:
• Abstract: Graph Convolutional Networks (GCNs) are specialized neural networks for feature extraction from graph-structured data. In contrast to traditional convolutional networks, GCNs offer distinct advantages when processing irregular data, which is ubiquitous in real-world applications. This paper introduces an enhancement to GCNs based on spectral methods by integrating quantum computing techniques. Specifically, a quantum approach is employed to construct the Laplacian matrix, and phase estimation is used to extract the corresponding eigenvectors efficiently. Additionally, quantum parallelism is leveraged to accelerate the convolution operations, thereby improving the efficiency of feature extraction. The findings of this study demonstrate the feasibility of employing quantum computing principles and algorithms to optimize classical GCNs. Theoretical analysis further reveals that, compared to classical methods, the proposed quantum algorithm achieves exponential speedup concerning the number of nodes in the graph.
• Abstract（参考訳）: Graph Convolutional Networks (GCN) は、グラフ構造化データからの特徴抽出のための特殊なニューラルネットワークである。 従来の畳み込みネットワークとは対照的に、GCNは、現実世界のアプリケーションではユビキタスである不規則なデータを処理する際に、明確な利点を提供する。 本稿では、量子コンピューティング技術を統合することで、スペクトル法に基づくGCNの強化を提案する。 具体的には、ラプラシア行列を構成するために量子的アプローチを用い、位相推定を用いて対応する固有ベクトルを効率的に抽出する。 さらに、量子並列性を利用して畳み込み操作を加速し、特徴抽出の効率を向上させる。 本研究の成果は,古典的なGCNを最適化するために量子コンピューティングの原理とアルゴリズムを用いることの可能性を示している。 理論的解析により、提案した量子アルゴリズムは古典的手法と比較して、グラフ内のノード数に関する指数的なスピードアップを達成することが明らかになった。

関連論文リスト

• Enhancing the expressivity of quantum neural networks with residual connections [0.0]
  量子残差ニューラルネットワーク(QResNets)を実装する量子回路に基づくアルゴリズムを提案する。 我々の研究は、古典的残留ニューラルネットワークの完全な量子的実装の基礎を築いた。
  論文  参考訳（メタデータ） (2024-01-29T04:00:51Z)
• Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
  グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。 その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。 これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-10-16T19:54:21Z)
• 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)
• Decomposition of Matrix Product States into Shallow Quantum Circuits [62.5210028594015]
  テンソルネットワーク(TN)アルゴリズムは、パラメタライズド量子回路(PQC)にマッピングできる 本稿では,現実的な量子回路を用いてTN状態を近似する新しいプロトコルを提案する。 その結果、量子回路の逐次的な成長と最適化を含む1つの特定のプロトコルが、他の全ての手法より優れていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-01T17:08:41Z)
• Quantum-inspired event reconstruction with Tensor Networks: Matrix Product States [0.0]
  ニューラルネットワークは量子力学の概念を機械学習技術に結びつけるのに理想的な手段であることを示す。 エンタングルメントのエントロピーは,ネットワークの学習内容の解釈に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-15T18:00:02Z)
• The Hintons in your Neural Network: a Quantum Field Theory View of Deep Learning [84.33745072274942]
  線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。 ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
  論文  参考訳（メタデータ） (2021-03-08T17:24:29Z)
• A Derivative-free Method for Quantum Perceptron Training in Multi-layered Neural Networks [2.962453125262748]
  量子パーセプトロンに基づく多層ニューラルネットワークのグラデーションフリー・アプローチ 我々は測定可能な演算子を用いて、マルコフプロセスと整合した方法でネットワークの状態を定義する。
  論文  参考訳（メタデータ） (2020-09-23T01:38:34Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks [0.0]
  グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。 本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。 前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
  論文  参考訳（メタデータ） (2020-03-18T18:03:08Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。