論文の概要: Learning structural balance of graphs from quantum spectral features

• arxiv url: http://arxiv.org/abs/2609.11736v1
• Date: Thu, 10 Sep 2026 15:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.438883
• Title: Learning structural balance of graphs from quantum spectral features
• Title（参考訳）: 量子スペクトル特徴を用いたグラフの構造バランスの学習
• Abstract要約: 問題依存ハミルトニアンの状態密度(DOS)からスペクトル特徴抽出への量子的アプローチを開発する。 これらのモーメントがクローズドウォーク数であり、スイッチング不変であり、建設によってサイズが自由であることを示す。 本研究では,最大混合プローブの位相推定法であるDOS-QPEを提案する。
• 参考スコア（独自算出の注目度）: 15.119045051735633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a quantum approach to spectral feature extraction from the density of states (DOS) of a problem-dependent Hamiltonian, and apply it to machine learning on signed graphs. We propose to embed a signed graph as an Ising model instance with positive and negative interactions, and use the standardized moments of the Ising DOS as features for learning. We show that these moments count signed closed walks, are switching-invariant, and are size-free by construction. As a benchmark, we target learning the frustration index, an NP-hard measure of structural balance that can be labeled exactly at moderate size. At zero field, the models can be sampled classically, allowing the quantum extraction procedure to be certified against exact ground truth. We propose DOS-QPE, a phase estimation on a purified maximally mixed probe, which samples the spectral density with orders of magnitude fewer shots than Hadamard test-based trace sampling and feeds the resulting features directly into classically trained models. On $1.4\times10^5$ labeled graphs the exact DOS determines the frustration index, and five moments recover it with a mean error of 0.4, well below one sign flip. Beyond zero field, the underlying trace-estimation problem is DQC1-complete, providing access to spectral features for which no efficient classical sampling method is known. Our work opens routes towards quantum applications in social network balance analysis, spin-glass studies, correlation clustering, and protein-interaction networks.
• Abstract（参考訳）: 問題依存ハミルトニアンの状態密度(DOS)からスペクトル特徴抽出への量子的アプローチを開発し,それを符号付きグラフ上の機械学習に適用する。 そこで我々は,Ising DOSの標準モーメントを学習機能として使用し,正と負の相互作用を持つIsingモデルインスタンスとして署名付きグラフを組み込むことを提案する。 これらのモーメントがクローズドウォーク数であり、スイッチング不変であり、建設によってサイズが自由であることを示す。 ベンチマークでは,厳密なサイズでラベル付けできる構造バランスのNPハード尺度であるフラストレーション指数の学習を目標としている。 ゼロフィールドでは、モデルは古典的にサンプリングすることができ、量子抽出手順は正確な基底真理に対して証明される。 本研究では, 最大混合プローブの位相推定法であるDOS-QPEを提案する。これは, スペクトル密度を, アダマール試験に基づくトレースサンプリングよりも桁違いに少ないショットでサンプリングし, 得られた特徴を直接古典的に訓練されたモデルに供給する。 ラベル付きグラフ1.4\times10^5$では、正確なDOSがフラストレーション指数を決定し、5モーメントが平均誤差0.4で回復する。 ゼロ場を超えて、基礎となるトレース推定問題はDQC1完全であり、効率的な古典的なサンプリング方法が知られていないスペクトル特徴へのアクセスを提供する。 我々の研究は、ソーシャルネットワークのバランス分析、スピングラス研究、相関クラスタリング、タンパク質相互作用ネットワークにおける量子応用への道を開く。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Quantum-classical crossover in fault-tolerant quantum dynamics simulation [56.198154828333685]
  我々は、コヒーレントな観測可能推定と非クリフォード回転の時空間効率実装を組み合わせたスケーラブルなフォールトトレラントフレームワークを提案する。 最先端テンソルネットワークと変分モンテカルロアルゴリズムに対するベンチマークでは、混合場イジングダイナミクスのための具体的なクロスオーバーが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-17T16:54:25Z)
• The Fourier Wall: Why Public Tabular Datasets Refuse Quantum Advantage, and a Certified Recipe for Where It Lives [0.0]
  量子機械学習モデルは通常、注意深く調整された古典的なベースラインを失う。 シミュレーション不要な構造画面であるSPECTRAとして条件を運用する。 工業用スマートメーターデータでは、SPECTRAは実際のピーク負荷目標を正しく拒否し、勾配木は0.999のROC-AUCに達する。
  論文  参考訳（メタデータ） (2026-07-17T10:24:57Z)
• Spectral Geometry and Bosonic-Bloch Probes: Explorations in Quantum Learning [4.60077289428728]
  量子学習モデルにおいて、スペクトル幾何学がどのように出現し、物理的に接地されたプローブとどのように診断されるかを研究する。 グラフ正規化量子ネットワークでは、トレーニングは出力類似性グラフを再編成し、有効スペクトル次元 Delta S = +0.23 を高め、ラプラシアスペクトルを再設定する。 また、ハイブリッド量子オートエンコーダを解析し、その潜在表現の診断としてBloch空間ドリフトを導入する。
  論文  参考訳（メタデータ） (2026-06-30T11:06:25Z)
• Quantum Injection Pathways for Implicit Graph Neural Networks [0.8826339811274068]
  深度平衡モデル(Deep Equilibrium Model)は、明示的なレイヤのスタックを固定点が出力を定義する単一の演算子に置き換える。 textitIndependent Injectionは、グラフ毎に一度量子信号を計算し、前方固定点解を計算し、解全体にわたって固定する。 textitStateに依存したインジェクションは、代わりにソルバステップ毎に信号を再計算し、現在のイテレーションに適用する。 textitBackboneに依存したインジェクションも同じように再計算されるが、現在のイテレーションで評価された古典的なバックボーンの出力に信号を適用する。
  論文  参考訳（メタデータ） (2026-05-09T23:51:46Z)
• Scalable Quantum Error Mitigation with Physically Informed Graph Neural Networks [15.406494854444583]
  QEM(Quantum error mitigation)は、ノイズの多い量子デバイス上で信頼性の高い可観測物を推定するための実用的な経路を提供する。 物理情報をモデル表現に組み込んだグラフ強化緩和(GEM)フレームワークを構築した。 我々は,GEMがCDRに匹敵する精度のレベルを提供すると同時に,平均絶対誤差を低くし,より大規模なシステムへのゼロショット転送の安定性を向上することを示した。
  論文  参考訳（メタデータ） (2026-04-18T04:04:54Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• Quantum Active Learning [3.3202982522589934]
  量子ニューラルネットワークのトレーニングは通常、教師付き学習のための実質的なラベル付きトレーニングセットを必要とする。 QALはモデルを効果的にトレーニングし、完全にラベル付けされたデータセットに匹敵するパフォーマンスを達成する。 我々は,QALがランダムサンプリングベースラインに乗じて負の結果を微妙な数値実験により解明する。
  論文  参考訳（メタデータ） (2024-05-28T14:39:54Z)
• Lindblad-like quantum tomography for non-Markovian quantum dynamical maps [46.350147604946095]
  本稿では,Lindblad-like quantum tomography (L$ell$QT) を量子情報プロセッサにおける時間相関ノイズの量子的特徴付け手法として紹介する。 単一量子ビットの強調力学について、L$ell$QT を詳細に論じ、量子進化の複数のスナップショットを可能性関数に含めることの重要性を正確に理解することができる。
  論文  参考訳（メタデータ） (2024-03-28T19:29:12Z)
• Error-aware Quantization through Noise Tempering [43.049102196902844]
  量子化対応トレーニング(QAT)は、量子化エラーをシミュレートしながら、エンドタスクに関するモデルパラメータを最適化する。 本研究では,指数関数的に減衰する量子化・エラー認識ノイズと,学習可能なタスク損失勾配のスケールを組み込んで量子化演算子の効果を近似する。 本手法は, 従来の手法を0.5-1.2%絶対値で上回り, 均一な(非混合精度)量子化のための最先端トップ1分類精度を得る。
  論文  参考訳（メタデータ） (2022-12-11T20:37:50Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)

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。