論文の概要: VQIL: Visible Quantum Interference Learning for Perturbation Response Ranking on Graphs

• arxiv url: http://arxiv.org/abs/2610.13689v1
• Date: Fri, 09 Oct 2026 14:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.644985
• Title: VQIL: Visible Quantum Interference Learning for Perturbation Response Ranking on Graphs
• Title（参考訳）: VQIL:グラフ上の摂動応答ランク付けのための可視量子干渉学習
• Abstract要約: VQIL(Visible Quantum Interference Learning)は、シード条件付きランキングのためのトレーニング可能な量子ウォークである。 ノードスコアは、幾何学的に割引された量子ウォーク振幅のコヒーレント和から得られる。 VQILは、トレーニングされていないウォークのスピアマンランクの相関を0.147から0.831に改善し、同じ訓練されたランダムウォークモデルより優れている。
• 参考スコア（独自算出の注目度）: 7.069738194755401
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning how local perturbations affect a network is important for identifying which components drive or absorb a system's response. We formulate this as seed-conditioned response ranking: given a perturbation at one seed node, ranking all other nodes by response strength. This is challenging when the model is given only the interaction topology, while the mechanism governing how perturbations propagate must be learned from data. We present VQIL (Visible Quantum Interference Learning), a trainable Szegedy quantum walk for seed-conditioned ranking. Edge weights, link phases, and per-node phase rotations are optimized end-to-end by backpropagation while the walk operator remains unitary throughout training. Node scores are obtained from a geometrically discounted coherent sum of quantum-walk amplitudes, enabling quantum interference before the final squared-norm readout. Because each learned parameter is attached to a named edge or node, the trained model provides directly inspectable hypotheses about the roles of individual graph components in the propagation mechanism. On AC power-flow perturbations over six transmission grids, with electrical parameters withheld from the model, VQIL improves Spearman rank correlation from 0.147 for the untrained walk to 0.831 and outperforms an identically trained random-walk model. On gene perturbation over five protein-protein interaction networks with Perturb-seq supervision, VQIL improves rank correlation from 0.171 to 0.620, outperforming the strongest learned classical and neural baselines. These results show that trainable quantum-walk interference provides a scalable and interpretable inductive bias for learning seed-conditioned response rankings on graphs.
• Abstract（参考訳）: ローカルな摂動がネットワークにどのように影響するかを学ぶことは、どのコンポーネントがシステムの応答を駆動するか、あるいは吸収するかを特定するのに重要である。 1つのシードノードに摂動を与え、他のすべてのノードを応答強度でランク付けする。 これは、モデルが相互作用トポロジのみを与えられる場合と、摂動の伝播を規定するメカニズムがデータから学ばなければならない場合である。 本稿では、シード条件付きランキングのためのトレーニング可能なSzegedy量子ウォークであるVQIL(Visible Quantum Interference Learning)を提案する。 エッジウェイト、リンク位相、ノード間位相回転はバックプロパゲーションによってエンドツーエンドに最適化される。 ノードスコアは、量子ウォーク振幅の幾何的に割引されたコヒーレント和から得られる。 学習された各パラメータは、名前付きエッジまたはノードにアタッチされるため、トレーニングされたモデルは、伝播機構における個々のグラフコンポーネントの役割について直接検査可能な仮説を提供する。 6つの送電網上の交流電力流の摂動について、VQILは、トレーニングされていない歩行において、スピアマンのランク相関を0.147から0.831に改善し、同一に訓練されたランダムウォークモデルより優れる。 Perturb-seq監督による5つのタンパク質-タンパク質相互作用ネットワーク上の遺伝子摂動において、VQILは0.171から0.620までランク相関を改善し、古典的および神経的ベースラインよりも優れていた。 これらの結果は、訓練可能な量子ウォーク干渉が、グラフ上のシード条件応答ランキングを学習するためのスケーラブルで解釈可能な帰納バイアスを提供することを示している。

関連論文リスト

• Physics-Augmented Graph Transformers for Patch-Antenna Forward and Inverse Design [41.99844472131922]
  本稿では,不規則な表面メッシュ上での信号再構成として放射パターン予測を扱う物理拡張グラフ学習フレームワークを提案する。 前方問題として、GPSグラフトランスフォーマーは、補助ノードレベルの目的であるPhysical-Augmented Intermediate Supervision (PAIS)を用いて訓練される。 逆設計では、代理フィルタ拡散が最寄りのMSEに対して32%の相対的MSEを上回ります。
  論文  参考訳（メタデータ） (2026-10-04T06:57:03Z)
• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Learning structural balance of graphs from quantum spectral features [15.119045051735633]
  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。
  論文  参考訳（メタデータ） (2026-09-10T15:52:28Z)
• Fixed Points Without Fixed Diffusion: Implicit Neural Sheaves for Convergent Test-Time Computation [3.402787708517185]
  Implicit Graph Neural Networks (IGNN) は、ノード表現をメッセージパッシング演算子の固定点として定義する。 適応型ニューラル・シーフ伝搬を持つ不均質な深層平衡アーキテクチャであるSheafDEQを紹介する。
  論文  参考訳（メタデータ） (2026-08-12T21:48:07Z)
• 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)
• Scaling Collapse Reveals Universal Dynamics in Compute-Optimally Trained Neural Networks [59.552873049024775]
  計算最適化モデルでは, 極めて高精度な普遍性を示すことを示す。 学習速度が減衰すると、崩壊は非常に厳しくなり、モデル間の正規化曲線の差はノイズフロアより下になる。 これらの現象は、典型的なニューラルスケーリング法則において、崩壊とパワー・ロー構造を結びつけることによって説明される。
  論文  参考訳（メタデータ） (2025-07-02T20:03:34Z)
• Fluctuation based interpretable analysis scheme for quantum many-body snapshots [0.0]
  物質の微視的理解と分類は、強相関量子物理学の中心にある。 ここでは、混乱学習と相関畳み込みニューラルネットワークを組み合わせることで、完全に解釈可能な位相検出を行う。 我々の研究は、解釈可能な量子画像処理における新しい方向を、長距離の順序に相応しいものに開放する。
  論文  参考訳（メタデータ） (2023-04-12T17:59:59Z)
• Graph Belief Propagation Networks [34.137798598227874]
  グラフニューラルネットワークと集合分類の利点を組み合わせたモデルを提案する。 我々のモデルでは、各ノード上のポテンシャルはそのノードの特徴にのみ依存し、エッジポテンシャルは結合行列を介して学習される。 我々のアプローチは、解釈可能なメッセージパスグラフニューラルネットワークか、より高いキャパシティと近代化されたトレーニングを備えた集団分類手法とみなすことができる。
  論文  参考訳（メタデータ） (2021-06-06T05:24:06Z)
• Binary Classification of Gaussian Mixtures: Abundance of Support Vectors, Benign Overfitting and Regularization [39.35822033674126]
  生成ガウス混合モデルに基づく二項線形分類について検討する。 後者の分類誤差に関する新しい非漸近境界を導出する。 この結果は, 確率が一定である雑音モデルに拡張される。
  論文  参考訳（メタデータ） (2020-11-18T07:59:55Z)

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。