論文の概要: Hybrid Quantum-Classical Walks for Graph Representation Learning in Community Detection

• arxiv url: http://arxiv.org/abs/2510.01918v1
• Date: Thu, 02 Oct 2025 11:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.268541
• Title: Hybrid Quantum-Classical Walks for Graph Representation Learning in Community Detection
• Title（参考訳）: コミュニティ検出におけるグラフ表現学習のためのハイブリッド量子古典ウォーク
• Authors: Adrián Marın, Mauricio Soto-Gomez, Giorgio Valentini, Elena Casiraghi, Carlos Cano, Daniel Manzano,
• Abstract要約: 本稿では,グラフ表現学習(GRL)のための新しい量子インスピレーションアルゴリズムを提案する。 我々のアプローチは量子力学と古典力学の両方の利点を組み合わせることで、ウォーカーはグラフ内の高度に局所的な接続と遠縁な接続の両方を同時に探索することができる。 ネットワークコミュニティ検出におけるケーススタディの予備的な結果は、このハイブリッドなダイナミクスにより、複雑なグラフトポロジに効果的に適応できることを示している。
• 参考スコア（独自算出の注目度）: 0.09030828136788653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Representation Learning (GRL) has emerged as a cornerstone technique for analysing complex, networked data across diverse domains, including biological systems, social networks, and data analysis. Traditional GRL methods often struggle to capture intricate relationships within complex graphs, particularly those exhibiting non-trivial structural properties such as power-law distributions or hierarchical structures. This paper introduces a novel quantum-inspired algorithm for GRL, utilizing hybrid Quantum-Classical Walks to overcome these limitations. Our approach combines the benefits of both quantum and classical dynamics, allowing the walker to simultaneously explore both highly local and far-reaching connections within the graph. Preliminary results for a case study in network community detection shows that this hybrid dynamic enables the algorithm to adapt effectively to complex graph topologies, offering a robust and versatile solution for GRL tasks.
• Abstract（参考訳）: グラフ表現学習(GRL)は、生物学的システム、ソーシャルネットワーク、データ分析など、さまざまな領域にまたがる複雑なネットワークデータを分析するための基礎技術として登場した。 従来のGRL法は、複雑なグラフ内の複雑な関係を捉えるのに苦労することが多く、特に、非自明な構造的性質を示すもの(例えば、パワー・ロー分布や階層構造など)。 本稿では、これらの制限を克服するために、ハイブリッド量子古典ウォークを利用するGRLの新しい量子インスピレーションアルゴリズムを提案する。 我々のアプローチは量子力学と古典力学の両方の利点を組み合わせることで、ウォーカーはグラフ内の高度に局所的な接続と遠縁な接続の両方を同時に探索することができる。 ネットワークコミュニティ検出におけるケーススタディの予備的な結果は、このハイブリッド力学により、複雑なグラフトポロジに効果的に適応し、GRLタスクに対して堅牢で汎用的なソリューションを提供することができることを示している。

関連論文リスト

• Reinforcement Learning Discovers Efficient Decentralized Graph Path Search Strategies [4.77487125476894]
  グラフパス探索は、強化学習で最近アプローチされた古典的なコンピュータサイエンス問題である。 グラフパス探索のためのマルチエージェント手法を提案し, 相同性と構造的不均一性の両方をうまく活用する。 この結果から,グラフナビゲーションのための意味のある埋め込みを報酬駆動学習を用いて構築できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-12T10:56:38Z)
• Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
  我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。 最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-02T01:36:13Z)
• Large Scale Training of Graph Neural Networks for Optimal Markov-Chain Partitioning Using the Kemeny Constant [1.8606770727950463]
  我々は,マルコフ連鎖のグラフ分割問題に対処するGNNアーキテクチャをいくつか提案する。 このアプローチは、提案されたパーティショニングがケメニー定数をどの程度変更するかを最小化することを目的としている。 線形層を持つグラフSAGEベースのGNNが、この文脈でより大きく、より表現力に富んだアテンションベースモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-22T17:19:50Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。