CTQWformer：一种基于CTQW的图分类Transformer
机器学习
2026-05-12 v1 人工智能
量子物理
摘要
图神经网络（GNN）和基于Transformer的架构在图学习方面取得了显著进展，但它们在捕获全局结构依赖和建模动态信息传播方面仍存在困难。在本文中，我们提出了CTQWformer，这是一个将连续时间量子游走（CTQW）与GNN相结合的混合图学习框架。CTQWformer采用了一个可训练的哈密顿量来融合图拓扑和节点特征，从而能够对量子游走动力学进行物理基础建模，以捕获丰富且复杂的图结构信息。提取的基于CTQW的表示被整合到两个互补模块中：(i) 一个Graph Transformer模块，将最终时刻的传播概率作为结构偏置嵌入到自注意力机制中；以及 (ii) 一个图循环模块，利用双向循环网络捕获时间演化模式。在基准图分类数据集上的大量实验表明，CTQWformer优于图核方法和基于GNN的方法，展示了将量子动力学整合到可训练深度学习框架中以进行图表示学习的潜力。据我们所知，CTQWformer是首个混合型基于CTQW的Transformer，它整合了CTQW衍生的结构偏置与时间演化建模以推进图学习。
引用
@article{arxiv.2605.09486,
title = {CTQWformer: A CTQW-based Transformer for Graph Classification},
author = {Zhan Li and Wuqing Yu and Yusen Wu and Chuan Wang},
journal= {arXiv preprint arXiv:2605.09486},
year = {2026}
}