論文の概要: Optimization of Bottlenecks in Quantum Graphs Guided by Fiedler Vector-Based Spectral Derivatives

• arxiv url: http://arxiv.org/abs/2506.07875v1
• Date: Mon, 09 Jun 2025 15:46:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:11.029578
• Title: Optimization of Bottlenecks in Quantum Graphs Guided by Fiedler Vector-Based Spectral Derivatives
• Title（参考訳）: Fiedler Vector-Based Spectral Derivatives による量子グラフにおけるボトルネックの最適化
• Authors: John TM Campbell, John Dooley,
• Abstract要約: 我々は、量子指向非巡回グラフ(QDAG)として表される量子リソースノードのネットワークにおけるFiedlerベクトル、Cheeger定数、しきい値挙動の関係について論じる。 本稿では,QDAGにおける量子情報フローのダイナミクス,特にグラフ信号処理におけるボトルネックを伴うルーティング問題を理解するために,これらの数学的構造をどのように適用することができるかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper discusses the relationships between the Fiedler vector, the Cheeger constant, and threshold behaviors in networks of quantum resource nodes represented as Quantum Directed Acyclic Graphs (QDAGs). We explore how these mathematical constructs can be applied to understand the dynamics of quantum information flow in QDAGs, especially in the context of routing problems with bottlenecks in graph signal processing, and how new eigenvalue-based rewiring techniques can optimize entanglement distribution between nodes in a QDAG.
• Abstract（参考訳）: 本稿では、量子指向非巡回グラフ(QDAG)として表される量子リソースノードのネットワークにおけるFiedlerベクトル、Cheeger定数、しきい値挙動の関係について論じる。 本稿では,QDAGにおける量子情報フローのダイナミクス,特にグラフ信号処理におけるボトルネックを伴うルーティング問題を理解するために,これらの数学的構造をどのように適用することができるか,QDAG内のノード間の絡み合い分布をいかに最適化するかを検討する。

関連論文リスト

• Quantum Graph Convolutional Networks Based on Spectral Methods [10.250921033123152]
  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。
  論文  参考訳（メタデータ） (2025-03-09T05:08:15Z)
• A quantum annealing approach to graph node embedding [1.0878040851638]
  ノード埋め込みは、グラフノードをベクトルとして表現し、構造的およびリレーショナル特性を保存するための重要なテクニックである。 DeepWalk、node2vec、グラフ畳み込みネットワークといった古典的な手法は、グラフの構造パターンと関係パターンをキャプチャすることでノードの埋め込みを学習する。 量子コンピューティングは、量子効果を活用し、新しい最適化アプローチを導入することで、グラフベースの学習に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-03-08T20:11:55Z)
• 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)
• QDC: Quantum Diffusion Convolution Kernels on Graphs [0.0]
  グラフ畳み込みニューラルネットワーク (GCNs) は、関心のある予測タスクを与えられた局所的にメッセージを集約することで機能する。 本稿では,量子粒子のグラフ上での伝播に対する一般化拡散パラダイムに基づくトレーディングにより,頂点の占有相関に従ってグラフを効果的に再配線する新しい畳み込みカーネルを提案する。
  論文  参考訳（メタデータ） (2023-07-20T21:10:54Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• 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)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• 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)

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。