양자 기반 하위그래프 컨볼루션 신경망

이 논문은 양자 워크(quantum walks)에서 유도된 그래프 구조의 깊이 기반 표현을 기반으로 한 새로운 그래프 컨볼루션 신경망 아키텍처를 제안한다. 이를 양자 기반 부분그래프 컨볼루션 신경망(QS-CNNs)이라 명명한다. 이 새로운 아키텍처는 그래프 내에서 전역적인 위상 구조와 국소적인 연결 구조를 동시에 포착할 수 있다. 구체적으로, 각 정점에 대해 양자 워크를 활용하여 K층 확장 부분그래프의 집합을 구성함으로써, 그래프 내 포함된 부분 구조들에 대한 전역적인 위상 배열 정보를 효과적으로 캡처한다. 이후, 이러한 부분그래프 위에 고정된 크기의 컨볼루션 필터 세트를 설계하여, 데이터 내에 존재하는 다중 스케일 패턴을 특징화하는 데 기여한다. 이 아이디어는 특정 정점에서 시작하는 전체 부분그래프 집합 위를 슬라이딩하는 컨볼루션 필터를 적용함으로써, 격자 데이터에서의 표준 컨볼루션 연산과 유사한 국소적 특징을 추출하는 데 있다. 여덟 개의 그래프 구조 데이터셋에 대한 실험 결과, QS-CNNs 아키텍처가 노드 분류 및 그래프 분류 작업에서 기존 14개의 최첨단 방법들을 능가함을 입증하였다.