.png){kind=icon}
返回
Enhancing graph learning with quantum structural encoding
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132054.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GTs）通过其全局注意力机制在图表示学习中展示了显著优势。然而，经典图神经网络中的自注意力机制倾向于忽视图结构固有的归纳偏置，导致难以有效捕捉关键结构信息。为解决此问题，我们提出了一种新颖方法，通过利用量子技术进行结构编码，将图归纳偏置整合到自注意力机制中。本文介绍了图量子游走神经网络（GQWNN），一种开创性的GNN框架，该框架利用属性图上的量子游走生成节点量子态。这些量子态封装了丰富的结构属性，并作为变换器的归纳偏置，从而能够生成更有意义的注意力分数。随后，通过引入循环神经网络，我们的设计增强了模型聚焦局部与全局信息的能力。我们在五个公开数据集上进行了全面实验，以评估模型的有效性。结果表明，GQWNN显著优于现有的图分类算法。这些发现凸显了将量子计算方法与传统GNN相结合以推动图表示学习领域的巨大潜力，为未来研究和应用提供了有前景的方向。
