論文の概要: Quantum Graph Convolutional Networks: Implementation and Trainability Analysis
- arxiv url: http://arxiv.org/abs/2609.19983v1
- Date: Thu, 17 Sep 2026 09:56:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.210002
- Title: Quantum Graph Convolutional Networks: Implementation and Trainability Analysis
- Title（参考訳）: 量子グラフ畳み込みネットワーク:実装とトレーサビリティ解析
- Abstract要約: 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に対して最先端のパフォーマンスを実現する。
量子コンピューティングは、グラフ学習のスケーラビリティを向上させるプリミティブの代替セットを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks (GNNs) achieve state-of-the-art performance on graph-structured data, but training and inference on large graphs are often bottlenecked by memory constraints and sparse linear-algebra workloads. Quantum computing offers an alternative set of primitives that may improve scalability for graph learning. Building on the quantum graph neural network (QGNN) framework of Liao \textit{et al.}, this work implements two representative architectures --- the Simplified Graph Convolution (SGC) and Linear Graph Convolution (LGC) models --- and evaluates them on open benchmark graph datasets and semi-supervised learning tasks using quantum simulation. We compare predictive performance and optimization behavior against classical baselines, showing that the quantum models achieve competitive performance with fewer parameters. Finally, we present a cost gradient analysis that identifies the tasks for which the models showcased are trainable. This is followed by a classical simulability study to find regimes in which the proposed circuits remain robust during training.
- Abstract（参考訳）: 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上で最先端のパフォーマンスを達成するが、大きなグラフでのトレーニングと推論は、メモリ制約や疎線形代数ワークロードによってボトルネックになることが多い。
量子コンピューティングは、グラフ学習のスケーラビリティを向上させるプリミティブの代替セットを提供する。
Liao \textit{et al }の量子グラフニューラルネットワーク(QGNN)フレームワーク上に構築され、SGC(Simplified Graph Convolution)とLGC(Linear Graph Convolution)モデルという2つの代表的なアーキテクチャを実装し、オープンなベンチマークグラフデータセットと量子シミュレーションを用いた半教師付き学習タスクで評価する。
古典的ベースラインに対する予測性能と最適化挙動を比較し、量子モデルがより少ないパラメータで競合性能を達成することを示す。
最後に、提示されたモデルがトレーニング可能なタスクを特定するためのコスト勾配分析を提案する。
これに続いて、古典的なシミュラビリティスタディにより、提案された回路がトレーニング中に頑健な状態にある状態を見つける。
関連論文リスト
- Scalable Message-Passing Quantum Graph Neural Networks in the Weisfeiler-Leman Hierarchy [1.4675095722281564]
量子グラフニューラルネットワークがいかにしてメッセージパッシングを行い、置換同変であり、Weisfeiler-Leman階層の選択レベルに座るかを示す。
3つのデータセットにまたがる56キュービットの大規模シミュレーションにおいて、このフレームワークを検証する。
論文 参考訳（メタデータ） (2026-06-25T10:58:29Z) - Inductive Graph Representation Learning with Quantum Graph Neural Networks [0.40964539027092917]
量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフ構造化データ処理を組み合わせるための有望なアプローチを示す。
本稿では,量子モデルをアグリゲータとして利用する,古典的なグラフSAGEアプローチにインスパイアされた汎用QGNNフレームワークを提案する。
我々の量子アプローチは、回路変更を必要とせず、様々な数の原子を持つ分子をまたいだ堅牢な一般化を示す。
論文 参考訳（メタデータ） (2025-03-31T14:04:08Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - Graph Neural Networks on Quantum Computers [3.8784640343151184]
グラフニューラルネットワーク(GNN)は、グラフとして表される構造化データを分析するための強力な機械学習モデルである。
本稿では,量子コンピュータ上でGNNを実装するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-27T11:31:08Z) - Connectivity Optimized Nested Graph Networks for Crystal Structures [1.1470070927586016]
グラフニューラルネットワーク(GNN)は、材料科学や化学における様々な応用に応用されている。
提案したモデルでは,MateBenchベンチマークのすべてのタスクにおいて,最新の結果が体系的に改善されることが示されている。
論文 参考訳（メタデータ） (2023-02-27T19:26:48Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Analyzing the Performance of Graph Neural Networks with Pipe Parallelism [2.269587850533721]
ノードやエッジの分類やリンクの予測といったタスクで大きな成功を収めたグラフニューラルネットワーク(GNN)に注目した。
グラフ技術の進歩には,大規模ネットワーク処理のための新たなアプローチが必要である。
私たちは、ディープラーニングコミュニティで成功したと知られている既存のツールとフレームワークを使用して、GNNを並列化する方法を研究します。
論文 参考訳（メタデータ） (2020-12-20T04:20:38Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳（メタデータ） (2020-01-18T09:14:16Z)
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。