.png){kind=icon}
返回
GraphQWalk: Learning Structural Node Embeddings via Continuous Quantum Walk
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSE.2025.3644803.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构节点嵌入是一种将图拓扑编码到低维向量的基本技术。然而，许多现有方法生成位置依赖的嵌入，这意味着仅因图中距离不同，结构相似的节点就被表示为不相似。此外，这些方法通常缺乏可解释性，且对结构噪声的鲁棒性不足。为解决这些挑战，本文介绍了GraphQWalk，一种可解释的、无监督且位置无关的方法，该方法利用连续量子随机游走捕捉结构特征。受量子物理启发，GraphQWalk首先通过连续量子随机游走中粒子的平均转移概率计算初始节点特征。这些编码多尺度结构信息的特征随后在多跳邻域内进行聚合，以融入局部上下文。大量实验表明，GraphQWalk有效捕捉了多样化的结构角色，在从分类到跨图对齐的下游任务中，其鲁棒性和性能均优于基线模型。
Keyword:
Structural node embedding
continuous quantum walk
node classification
network alignment
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
.png){kind=icon}
查看更多内容