嵌入如何塑造图神经网络：经典与量子导向的节点表示
机器学习
2026-04-17 v1 量子物理
摘要
节点嵌入是图神经网络的信息接口，但其实际影响往往在不匹配的主干、划分和训练预算下报告。本文提供了一个受控基准，比较经典基线与量子导向节点表示在图分类任务中的嵌入选择。我们评估了两个经典基线和量子导向的替代方案，包括由电路定义的可变嵌入和通过图算子和线性代数构造计算的量子灵感型嵌入。所有变体在相同的主干、分层划分、相同的优化和早停、一致的指标下进行训练和测试。在五个不同的 TU 数据集以及通过目标分箱转换为分类的 QM9 上实验显示，结果清晰地取决于数据集：在结构驱动的基准上，量子导向嵌入实现了最一致的提升，而在节点属性有限的社交图上，经典基线仍然表现良好。该研究强调了在固定训练预算下，归纳偏差、可训练性和稳定性之间的实际权衡，并为在图学习中选择量子导向嵌入提供了可复现的参考基准。
引用
@article{arxiv.2604.15273,
title = {How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations},
author = {Nouhaila Innan and Antonello Rosato and Alberto Marchisio and Muhammad Shafique},
journal= {arXiv preprint arXiv:2604.15273},
year = {2026}
}
备注
6 pages. Accepted at IJCNN 2026