Fugu-MT 論文翻訳(概要): CTQWformer: A CTQW-based Transformer for Graph Classification

論文の概要: CTQWformer: A CTQW-based Transformer for Graph Classification

arxiv url: http://arxiv.org/abs/2605.09486v1
Date: Sun, 10 May 2026 11:45:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.274133
Title: CTQWformer: A CTQW-based Transformer for Graph Classification
Title（参考訳）: CTQWformer: グラフ分類のためのCTQWベースの変換器
Authors: Zhan Li, Wuqing Yu, Yusen Wu, Chuan Wang,
Abstract要約: 連続時間量子ウォーク(CTQW)とグラフニューラルネットワーク(GNN)を統合するハイブリッドグラフ学習フレームワークを提案する。 CTQWformerは、グラフトポロジとノード特徴を融合するトレーニング可能なハミルトニアンを使用して、量子ウォークダイナミクスの物理的基盤モデリングを可能にする。ベンチマークグラフ分類データセットの実験により、CTQWformerはグラフカーネルやGNNベースの手法より優れていることが示された。
参考スコア（独自算出の注目度）: 9.185381004799293
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph Neural Networks (GNN) and Transformer-based architectures have achieved remarkable progress in graph learning, yet they still struggle to capture both global structural dependencies and model the dynamic information propagation. In this paper, we propose CTQWformer, a hybrid graph learning framework that integrates continuous-time quantum walks (CTQW) with GNN. CTQWformer employs a trainable Hamiltonian that fuses graph topology and node features, enabling physically grounded modeling of quantum walk dynamics that captures rich and intricate graph structure information. The extracted CTQW-based representations are incorporated into two complementary modules:(i) a Graph Transformer module that embeds final-time propagation probabilities as structural biases in the self-attention mechanism, and (ii) a Graph Recurrent Module that captures temporal evolution patterns with bidirectional recurrent networks. Extensive experiments on benchmark graph classification datasets demonstrate that CTQWformer outperforms graph kernel and GNN-based methods, demonstrating the potential of integrating quantum dynamics into trainable deep learning frameworks for graph representation learning. To the best of our knowledge, CTQWformer is the first hybrid CTQW-based Transformer, integrating CTQW-derived structural bias with temporal evolution modeling to advance graph learning.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)とトランスフォーマーベースのアーキテクチャは、グラフ学習において目覚ましい進歩を遂げているが、それでもグローバルな構造的依存関係と動的情報伝達のモデル化に苦慮している。本稿では,連続時間量子ウォーク(CTQW)とGNNを統合するハイブリッドグラフ学習フレームワークであるCTQWformerを提案する。 CTQWformerは、グラフトポロジとノード特徴を融合する訓練可能なハミルトニアンを使用して、リッチで複雑なグラフ構造情報をキャプチャする量子ウォークダイナミクスの物理的基盤モデリングを可能にする。抽出したCTQWに基づく表現は2つの相補的なモジュールに組み込まれている。一自己保持機構における構造バイアスとして最終時伝播確率を埋め込んだグラフ変換器モジュール (ii)双方向リカレントネットワークを用いた時間的進化パターンをキャプチャするグラフリカレントモジュール。ベンチマークグラフ分類データセットに関する大規模な実験により、CTQWformerはグラフカーネルやGNNベースの手法よりも優れており、量子力学をグラフ表現学習のためのトレーニング可能なディープラーニングフレームワークに統合する可能性を示している。我々の知る限り、CTQWformerはCTQWをベースとした最初のハイブリッドトランスフォーマーであり、CTQWに由来する構造バイアスと時間進化モデリングを統合してグラフ学習を推進している。

関連論文リスト

GQWformer: A Quantum-based Transformer for Graph Representation Learning [15.97445757658235]
本稿では, 構造符号化に量子技術を活用することにより, グラフ帰納バイアスを自己認識機構に統合する手法を提案する。グラフ量子ウォーク変換器(GQWformer, Graph Quantum Walk Transformer)は, 属性グラフ上の量子ウォークを利用してノード量子状態を生成するGNNフレームワークである。これらの量子状態は、豊富な構造特性をカプセル化し、変圧器の誘導バイアスとして機能し、より有意義な注意スコアの生成を可能にする。
論文参考訳（メタデータ） (2024-12-03T09:03:04Z)
Learning Graph Quantized Tokenizers [28.79505338383552]
グラフ変換器(GT)は、幾何学的深層学習における主要なモデルとして登場した。我々は、Transformerトレーニングからトークン処理器トレーニングを分離するGQT(textbfGraph textbfQuantized textbfTokenizer)を導入する。 GQTとトークン変調を組み合わせることで、Transformerエンコーダは22ベンチマーク中20ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2024-10-17T17:38:24Z)
A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文参考訳（メタデータ） (2024-06-19T22:30:08Z)
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)
A survey of dynamic graph neural networks [26.162035361191805]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから効果的にマイニングし学習するための強力なツールとして登場した。本稿では,基本的な概念,鍵となる技術,そして最先端の動的GNNモデルについて概観する。
論文参考訳（メタデータ） (2024-04-28T15:07:48Z)
CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
論文参考訳（メタデータ） (2024-04-23T08:19:08Z)
Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-04-20T04:12:50Z)
Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。 kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文参考訳（メタデータ） (2022-02-25T10:02:49Z)
TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文参考訳（メタデータ） (2021-05-17T15:33:25Z)
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)
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。