論文の概要: On the Expressive Power of the Transverse-Field Ising Model for Graph Learning

• arxiv url: http://arxiv.org/abs/2608.17750v1
• Date: Tue, 18 Aug 2026 13:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.349173
• Title: On the Expressive Power of the Transverse-Field Ising Model for Graph Learning
• Title（参考訳）: グラフ学習のための横フィールドイジングモデルの表現力について
• Abstract要約: グラフをインデックス化したIsing Hamiltonianによって誘導される量子進化を、グラフ学習のための構造信号の源として研究する。 QDAGerは,ノード占有の時系列から量子力学的特徴を注入する量子インスピレーショングラフペア変換器である。
• 参考スコア（独自算出の注目度）: 1.4323566945483497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the quantum evolution induced by graph-indexed Ising Hamiltonians as a source of structural signal for graph learning. Graph automorphisms preserve symmetries of the Hamiltonian, and these symmetries constrain the quantum evolution in a way that turns time-dependent local measurements into informative probes of graph structure. Leveraging this idea, we introduce QDAGer, a quantum-inspired graph-pair Transformer that injects quantum-dynamical features from time series of node occupations and connected two-point correlators directly into the attention mechanism. We apply QDAGer to learning Graph Edit Distance (GED), an NP-hard similarity measure, using either a direct permutation-invariant embedding discrepancy or an alignment-based surrogate loss. Experiments on multiple GED benchmarks under different edit cost settings show that the proposed dynamical features provide a stronger inductive bias than classical structural alternatives under the same training protocol. In addition, we report ablations where the dynamical signal is replaced by standard random-walk and heat-kernel features while keeping the architecture fixed, highlighting that the gain comes from the injected dynamics rather than model capacity alone.
• Abstract（参考訳）: グラフをインデックス化したIsing Hamiltonianによって誘導される量子進化を、グラフ学習のための構造信号の源として研究する。 グラフ自己同型はハミルトニアンの対称性を保持し、これらの対称性は時間依存の局所的な測定をグラフ構造の情報的プローブに変換する方法で量子進化を制約する。 このアイデアを生かしたQDAGerは、量子インスパイアされたグラフペア変換器で、ノード占有の時系列から量子力学的特徴を注入し、注意機構に直接2点相関器を接続する。 グラフ編集距離(GED)の学習にQDAGerを適用し,直接置換不変な埋め込み誤差やアライメントに基づくサロゲート損失を用いたNPハード類似度尺度を提案する。 異なる編集コスト設定下での複数のGEDベンチマークの実験は、提案された動的特徴が、同じトレーニングプロトコルの下での古典的な構造的代替よりも強い帰納的バイアスを与えることを示している。 さらに,動的信号が標準のランダムウォークとヒートカーネルに置き換えられるのに対して,アーキテクチャの固定を保ちながら,モデルキャパシティのみではなく,インジェクションされたダイナミックスから得られる利得について報告する。

関連論文リスト

• When Do Graph Foundation Models Transfer? A Data-Centric Theory [68.54337055801571]
  グラフ基盤モデル(GFMs)は、様々なグラフドメインにまたがる単一のバックボーンの再利用を目的としているが、それらの転送は不均一であり、負の転送を示すことがある。 我々は、セットベースおよびメッセージパストークン化の両方に対して、任意のリプシッツバックボーンは、クロスドメイン出力シフトの明示的な分解を認めていることを示す。 我々はスペクトルPEの安定性を保証するとともに、固有ベクトルと部分空間に基づくPEの対比挙動を強調する。
  論文  参考訳（メタデータ） (2026-05-28T12:07:27Z)
• Graph theory and tunable slow dynamics in quantum East Hamiltonians [0.0]
  グラフ理論の概念は、速度論的制約のある系におけるスローダイナミクスの起源について、どのように洞察を与えるかを示す。 スローダイナミクスは、フォック空間グラフ上のノード間の強い階層の存在に関連している。 これらの変形が有限系上の非エルゴディディティの度合いにどのように影響するかを数値的に示す。
  論文  参考訳（メタデータ） (2025-04-04T14:08:18Z)
• 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)
• Equivariant Spatio-Temporal Attentive Graph Networks to Simulate Physical Dynamics [32.115887916401036]
  本研究では,物理系の力学を表現・シミュレートするFourier-temporal GNNの同変版を開発する。 分子レベル,タンパク質レベル,マクロレベルに対応する3つの実データセットについて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2024-05-21T15:33:21Z)
• Learning Coarse-Grained Dynamics on Graph [4.692217705215042]
  グラフ上の粗粒度動的システムを特定するために,グラフニューラルネットワーク(GNN)非マルコフモデリングフレームワークを検討する。 本研究の主目的は, グラフトポロジを符号化する粗粒度相互作用係数に, モリ・ズワンチのメモリ項の先頭項がどのように依存するかを検査することによって, GNNアーキテクチャを体系的に決定することである。
  論文  参考訳（メタデータ） (2024-05-15T13:25:34Z)
• Gradformer: Graph Transformer with Exponential Decay [69.50738015412189]
  グラフ変換器(GT)の自己保持機構は、グラフの帰納バイアス、特に構造に関するバイアスを見落としている。 本稿では,GTと本質的帰納バイアスを革新的に統合するGradformerを提案する。 GradformerはグラフニューラルネットワークやGTベースラインモデルよりも、さまざまなグラフ分類や回帰タスクにおいて一貫して優れています。
  論文  参考訳（メタデータ） (2024-04-24T08:37:13Z)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• TransformerG2G: Adaptive time-stepping for learning temporal graph embeddings using transformers [2.2120851074630177]
  本研究では,不確実な定量化を伴うグラフ埋め込みモデルであるTransformerG2Gを開発し,時間的グラフの時間的ダイナミクスを学習する。 提案したTransformerG2Gモデルが従来のマルチステップ法より優れていることを示す。 注意重みを調べることで、時間的依存関係を解明し、影響力のある要素を特定し、グラフ構造内の複雑な相互作用についての洞察を得ることができる。
  論文  参考訳（メタデータ） (2023-07-05T18:34:22Z)
• 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。