論文の概要: How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations

• arxiv url: http://arxiv.org/abs/2604.15273v1
• Date: Thu, 16 Apr 2026 17:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:32.034927
• Title: How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations
• Title（参考訳）: 形状グラフニューラルネットワークの埋め込み:古典的対量子指向ノード表現
• Authors: Nouhaila Innan, Antonello Rosato, Alberto Marchisio, Muhammad Shafique,
• Abstract要約: ノードの埋め込みはグラフニューラルネットワークの情報インターフェースとして機能するが、その影響はしばしば、ミスマッチしたバックボーン、分割、トレーニング予算の下で報告される。 本稿では,グラフ分類のための埋め込み選択の制御されたベンチマークを提供する。 我々は、回路定義の変分埋め込みと量子インスパイアされた埋め込みを含む、量子指向の代替品と並んで、2つの古典的ベースラインを評価する。
• 参考スコア（独自算出の注目度）: 2.9583391652768314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node embeddings act as the information interface for graph neural networks, yet their empirical impact is often reported under mismatched backbones, splits, and training budgets. This paper provides a controlled benchmark of embedding choices for graph classification, comparing classical baselines with quantum-oriented node representations under a unified pipeline. We evaluate two classical baselines alongside quantum-oriented alternatives, including a circuit-defined variational embedding and quantum-inspired embeddings computed via graph operators and linear-algebraic constructions. All variants are trained and tested with the same backbone, stratified splits, identical optimization and early stopping, and consistent metrics. Experiments on five different TU datasets and on QM9 converted to classification via target binning show clear dataset dependence: quantum-oriented embeddings yield the most consistent gains on structure-driven benchmarks, while social graphs with limited node attributes remain well served by classical baselines. The study highlights practical trade-offs between inductive bias, trainability, and stability under a fixed training budget, and offers a reproducible reference point for selecting quantum-oriented embeddings in graph learning.
• Abstract（参考訳）: ノードの埋め込みはグラフニューラルネットワークの情報インターフェースとして機能するが、その経験的影響はしばしば、ミスマッチしたバックボーン、分割、トレーニング予算の下で報告される。 本稿では,古典的ベースラインと量子指向ノード表現を統一パイプライン下で比較し,グラフ分類のための埋め込み選択の制御されたベンチマークを提供する。 我々は、回路定義の変分埋め込みや、グラフ演算子によって計算された量子インスパイアされた埋め込み、線形代数的構成を含む、2つの古典的ベースラインを量子指向の代替品とともに評価する。 すべての変種は、同じバックボーン、階層化された分割、同じ最適化と早期停止、一貫性のあるメトリクスでトレーニングされ、テストされる。 量子指向の埋め込みは、構造駆動型ベンチマークにおいて最も一貫した利得を得る一方、制限ノード属性を持つソーシャルグラフは、古典的なベースラインによってよく機能する。 この研究は、固定トレーニング予算下での帰納バイアス、トレーニング容易性、安定性の実践的なトレードオフを強調し、グラフ学習における量子指向の埋め込みを選択するための再現可能な参照ポイントを提供する。

関連論文リスト

• Quantum Machine Learning Applied to the Sinking of the Titanic [0.0]
  量子モデルは、最大50の変動パラメータを持つパウリエンタングリングと非エンタングリング拡張ベースの特徴写像とリアル振幅アンサッツを用いて構築された。 モデルトレーニングでは、クロスエントロピー損失を最小限に抑えるため、COBYLAグラデーションフリーフレームワークを使用した。
  論文  参考訳（メタデータ） (2025-08-31T16:00:52Z)
• On the Importance of Fundamental Properties in Quantum-Classical Machine Learning Models [0.0]
  本稿では、量子回路設計が因果分類タスクにおけるハイブリッド量子古典ニューラルネットワークの性能にどのように影響するかを体系的に研究する。 このアーキテクチャは、古典的な特徴抽出のための畳み込みニューラルネットワークと、量子層として機能するパラメータ化量子回路を組み合わせる。 その結果、アンザッツ繰り返しの増加は一般化と訓練の安定性を向上させるが、利点は一定の深さを超える傾向にあることが示された。 複数軸のパウリ回転を持つエンコーディングだけが学習を成功させる一方で、より単純なマップはクラス分離性の不足や損失につながる。
  論文  参考訳（メタデータ） (2025-07-14T11:18:53Z)
• Analysis of quantum neural network performance via edge cases [4.180897432770239]
  グラフ分類タスクにおいて,異なる量子機械学習ネットワークの性能を評価する。 内部対称性の異なる量子回路は、グラフの対称性に完全に、部分的には参照せず、データセット上で異なる性能を示す。
  論文  参考訳（メタデータ） (2025-06-14T09:56:01Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• Topology-Aware Dynamic Reweighting for Distribution Shifts on Graph [24.44321658238713]
  グラフニューラルネットワーク(GNN)は、ノード分類タスクに広く使用されているが、トレーニングやテストノードが異なるディストリビューションから来ると、一般化に失敗することが多い。 トレーニング中にWasserstein空間の勾配流を通じて標本重量を動的に調整するTopology-Aware Dynamic Reweighting (TAR) フレームワークを導入する。 フレームワークの優位性は、4つのグラフOODデータセットと3つのクラス不均衡ノード分類データセットの標準テストによって実証される。
  論文  参考訳（メタデータ） (2024-06-03T07:32:05Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• The role of data embedding in equivariant quantum convolutional neural networks [2.255961793913651]
  等変量子ニューラルネットワーク(EQNN)の性能に及ぼす古典量子埋め込みの影響について検討する。 等価な量子畳み込みニューラルネットワーク(QCNN)から得られた3種類の振幅埋め込みと、EQCNNの分類精度を数値的に比較する。
  論文  参考訳（メタデータ） (2023-12-20T18:25:15Z)
• 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)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)

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。