論文の概要: Feature Prediction in Quantum Graph Recurrent Neural Networks with Applications in Information Hiding

• arxiv url: http://arxiv.org/abs/2506.23144v1
• Date: Sun, 29 Jun 2025 08:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.74185
• Title: Feature Prediction in Quantum Graph Recurrent Neural Networks with Applications in Information Hiding
• Title（参考訳）: 量子グラフリカレントニューラルネットワークにおける特徴予測と情報ハイディングへの応用
• Authors: Jawaher Kaldari, Saif Al-Kuwari,
• Abstract要約: 量子グラフリカレントニューラルネットワーク(QGRNN)を用いて、古典的なグラフ構造化データを処理する。 以上の結果より,QGRNNは高い特徴再構成精度を示し,ほぼ完全な分類が可能であった。 また、QGRNNに基づいて、メッセージがグラフに埋め込まれ、ある条件下で検索される情報隠蔽手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graphs are a fundamental representation of complex, nonlinear structured data across various domains, including social networks and quantum systems. Quantum Graph Recurrent Neural Networks (QGRNNs) have been proposed to model quantum dynamics in graph-based quantum systems, but their applicability to classical data remains an open problem. In this paper, we leverage QGRNNs to process classical graph-structured data. In particular, we demonstrate how QGRNN can reconstruct node features in classical datasets. Our results show that QGRNN achieves high feature reconstruction accuracy, leading to near-perfect classification. Furthermore, we propose an information hiding technique based on our QGRNN, where messages are embedded into a graph, then retrieved under certain conditions. We assess retrieval accuracy for different dictionary sizes and message lengths, showing that QGRNN maintains high retrieval accuracy, with minor degradation as complexity increases. These findings demonstrate the scalability and robustness of QGRNNs for both classical data processing and secure information hiding, paving the way for quantum-enhanced feature extraction, privacy-preserving computations, and quantum steganography.
• Abstract（参考訳）: グラフは、ソーシャルネットワークや量子システムを含む様々な領域にわたる複雑で非線形な構造化データの基本的な表現である。 QGRNN(Quantum Graph Recurrent Neural Networks)は、グラフベースの量子システムにおいて量子力学をモデル化するために提案されているが、古典的なデータに適用可能であることは未解決の問題である。 本稿では,従来のグラフ構造化データ処理にQGRNNを利用する。 特に,古典的データセットのノード機能をQGRNNで再構築する方法を示す。 以上の結果から,QGRNNは高い特徴再構成精度を達成し,ほぼ完璧に分類できることが示唆された。 さらに、QGRNNに基づく情報隠蔽手法を提案し、そこでは、メッセージがグラフに埋め込まれ、ある条件下で検索される。 異なる辞書サイズとメッセージ長の検索精度を評価し、QGRNNは複雑性が増大するにつれて小さな劣化を伴う高い検索精度を維持していることを示す。 これらの結果は、古典的なデータ処理とセキュアな情報隠蔽の両方において、QGRNNのスケーラビリティと堅牢性を示し、量子化された特徴抽出、プライバシ保存計算、量子ステガノグラフィーへの道を開いた。

関連論文リスト

• Guided Graph Compression for Quantum Graph Neural Networks [0.7421845364041001]
  この研究は、グラフオートエンコーダを使用してノード数とノード特徴の次元の両方を削減する、ガイド付きグラフ圧縮(GGC)フレームワークを導入している。 このフレームワークは、高エネルギー物理学における基本的な重要性の分類問題であるJet Taggingタスクに基づいて評価される。
  論文  参考訳（メタデータ） (2025-06-11T15:36:29Z)
• Inductive Graph Representation Learning with Quantum Graph Neural Networks [0.40964539027092917]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフ構造化データ処理を組み合わせるための有望なアプローチを示す。 本稿では,量子モデルをアグリゲータとして利用する,古典的なグラフSAGEアプローチにインスパイアされた汎用QGNNフレームワークを提案する。 我々の量子アプローチは、回路変更を必要とせず、様々な数の原子を持つ分子をまたいだ堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2025-03-31T14:04:08Z)
• QGHNN: A quantum graph Hamiltonian neural network [30.632260870411177]
  グラフニューラルネットワーク(GNN)は、複雑な高次元グラフデータによってもたらされる課題に対処する。 量子ニューラルネットワーク(QNN)は、量子並列性の可能性から、魅力的な代替手段を提供する。 本稿では、ノイズの多い中間規模量子コンピュータ上でのグラフ表現と学習を強化する量子グラフハミルトンニューラルネットワーク(QGHNN)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T10:15:17Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• Learnability of a hybrid quantum-classical neural network for graph-structured quantum data [0.0]
  グラフ構造化量子データを用いた深層学習(Res-HQCNN)を用いたハイブリッド量子古典ニューラルネットワークを構築した。 量子データにおけるグラフ構造に関する情報の利用により,最先端モデルと比較して学習効率が向上することを示す。
  論文  参考訳（メタデータ） (2024-01-28T14:06:06Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• 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)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• 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)

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。