摘要
本文提出了一种基于量子行走（quantum walks）生成的图结构深度表示的新图卷积神经网络架构，称为基于量子的子图卷积神经网络（Quantum-based Subgraph Convolutional Neural Networks, QS-CNNs）。该架构能够同时捕捉图的全局拓扑结构与局部连接结构。具体而言，我们首先通过量子行走为图中每个顶点构建一组K层扩展子图，以提取图中子结构所蕴含的全局拓扑布局信息。随后，我们在这些子图上设计了一组固定尺寸的卷积滤波器，用于表征数据中多尺度的模式特征。其核心思想是将卷积滤波器在以某一顶点为根的全部子图上滑动，从而提取类似于网格数据上标准卷积操作的局部特征。在八个图结构数据集上的实验结果表明，QS-CNNs架构在节点分类与图分类任务中均能超越十四种当前最先进的方法，展现出优异的性能。