埋め込みがグラフニューラルネットワークをどう形作るか：古典的ノード表現と量子志向のノード表現の比較

arXiv cs.LG / 2026/4/17

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、グラフ分類におけるGNNの性能がノード埋め込みの選択にどう左右されるかをベンチマークし、従来研究で見られた実験条件の不一致（バックボーン、分割、学習予算の違い）を問題視します。
回路に基づく変分埋め込みや、グラフ演算子・線形代数的構成から得る量子インスパイア埋め込みなど、量子志向のノード表現を古典的ベースラインと比較評価します。
同一のバックボーン、層化分割、同一の最適化と早期終了、統一された指標を用いた単一の統合パイプラインにより、埋め込み選択のみを主因として切り分けます。
結果はデータセット依存で、構造に基づくベンチマークでは量子志向埋め込みがより一貫した改善を示す一方、ノード属性が限られたソーシャルグラフでは古典的ベースラインが有利になりがちです。
固定の学習予算のもとで、誘導バイアス・学習可能性・安定性のトレードオフを踏まえた量子志向埋め込みの選択指針を、再現可能な基準点として提示します。