論文の概要: A2QTGN: Adaptive Amplitude Quantum-Integrated Temporal Graph Network for Dynamic Link Prediction
- arxiv url: http://arxiv.org/abs/2605.21916v1
- Date: Thu, 21 May 2026 02:38:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.062953
- Title: A2QTGN: Adaptive Amplitude Quantum-Integrated Temporal Graph Network for Dynamic Link Prediction
- Title（参考訳）: A2QTGN:動的リンク予測のための適応振幅量子付き時間グラフネットワーク
- Authors: Nouhaila Innan, M. Murali Karthick, Simeon Kandan Sonar, Vivek Chaturvedi, Muhammad Shafique,
- Abstract要約: A2QTGNは、適応振幅符号化とテンポラルグラフネットワークのバックボーンを組み合わせたハイブリッド量子古典フレームワークである。
本稿では,A2QTGNが様々な動的グラフにまたがる高い予測とランク付け性能を実現することを示す。
ノイズの多いバックエンドと制限された実デバイス実行を用いたハードウェア対応推論は、短期量子支援時間グラフ学習の実現性をサポートする。
- 参考スコア（独自算出の注目度）: 2.070154957844851
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic link prediction is important for modeling evolving interactions in complex systems, including social, communication, financial, and transportation networks. Classical temporal graph models capture sequential dependencies, but they may struggle to represent concurrent and rapidly changing node-edge interactions in large dynamic graphs. We propose A2QTGN (Adaptive Amplitude Quantum-Integrated Temporal Graph Network), a hybrid quantum-classical framework that combines adaptive amplitude encoding with a Temporal Graph Network backbone. The proposed mechanism represents node interaction features as quantum states and selectively refreshes amplitude embeddings based on temporal activity, preserving stable node states while emphasizing meaningful structural changes. This design reduces unnecessary quantum re-encoding and improves temporal representation for link prediction. Experiments on five Temporal Graph Benchmark datasets show that A2QTGN achieves strong predictive and ranking performance across diverse dynamic graphs. Ablation studies confirm the importance of both the quantum embedding module and the adaptive update strategy, while hardware-aware inference using a noisy backend and limited real-device execution supports the feasibility of near-term quantum-assisted temporal graph learning.
- Abstract（参考訳）: 動的リンク予測は、社会的、コミュニケーション、金融、交通ネットワークを含む複雑なシステムにおける相互作用の進化をモデル化する上で重要である。
古典的時間グラフモデルは、逐次的な依存を捉えるが、大きな動的グラフにおいて、同時かつ急速に変化するノード-エッジ相互作用を表現するのに苦労する。
A2QTGN(Adaptive Amplitude Quantum-Integrated Temporal Graph Network)は,適応型振幅符号化とテンポラルグラフネットワークのバックボーンを組み合わせた,ハイブリッドな量子古典的フレームワークである。
提案機構は, ノード間相互作用の特徴を量子状態として表現し, 時間的活動に基づいて振幅埋め込みを選択的にリフレッシュし, 安定なノード状態を保存するとともに, 意味のある構造変化を強調する。
この設計は不要な量子再符号化を低減し、リンク予測のための時間表現を改善する。
5つのテンポラルグラフベンチマークデータセットの実験により、A2QTGNは様々な動的グラフに対して強い予測とランキングのパフォーマンスを達成することが示された。
アブレーション研究は、量子埋め込みモジュールと適応更新戦略の両方の重要性を裏付ける一方で、ノイズの多いバックエンドと制限された実デバイス実行を用いたハードウェア認識推論は、短期的な量子支援時間グラフ学習の実現性を支持する。
関連論文リスト
- Sequence Diffusion Model for Temporal Link Prediction in Continuous-Time Dynamic Graph [5.83093727437226]
既存の時間グラフニューラルネットワークは、主に歴史的相互作用の学習表現に焦点を当てている。
本稿では,動的グラフ学習を生成的認知と統合する,新しいシーケンスレベルの拡散フレームワークを提案する。
我々は,時間的リンク予測タスクにおいて,このフレームワークが常に最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-01-30T18:02:12Z) - Global-Lens Transformers: Adaptive Token Mixing for Dynamic Link Prediction [9.234363752442915]
動的グラフのための新しいアテンションフリートランスフォーマースタイルフレームワークであるGLFormerを提案する。
広く使用されている6つの動的グラフベンチマークの実験では、GLFormerがSOTAのパフォーマンスを達成した。
論文 参考訳（メタデータ） (2025-11-16T04:05:56Z) - UnityGraph: Unified Learning of Spatio-temporal features for Multi-person Motion Prediction [13.052342503276936]
多対人動作予測は、重要な実世界の応用を持つ複雑な新興分野である。
本稿では,複数の時間的特徴を全体として扱う新しいグラフ構造UnityGraphを提案し,モデルコヒーレンスと結合時間的特徴を向上する。
提案手法は最先端の性能を達成し,その有効性と革新的な設計を実証する。
論文 参考訳（メタデータ） (2024-11-06T08:05:36Z) - Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。
時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。
本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
論文 参考訳（メタデータ） (2024-01-15T07:35:29Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - 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) - Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting [47.19400232038575]
ノード固有のパターンの学習は、事前に定義されたグラフが避けられる間、トラフィック予測に不可欠である、と我々は主張する。
本稿では,新たな機能を備えたグラフ・コンパス・ネットワーク(GCN)の拡張のための2つの適応モジュールを提案する。
実世界の2つの交通データセットに対する実験により、AGCRNは空間接続に関する事前定義されたグラフを使わずに、かなりのマージンで最先端の性能を示した。
論文 参考訳（メタデータ） (2020-07-06T15:51:10Z)
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。