量子科技中心_量科网

节点嵌入作为图神经网络的信息接口，其实际影响往往在失配的模型架构、数据划分和训练预算条件下被报告。本文通过统一流程，为图分类任务中的嵌入选择提供了受控基准测试，将经典基线方法与量子导向节点表征进行对比。研究评估了两种经典基线方法及三类量子导向替代方案：电路定义的可变分嵌入、基于图算子的量子启发式嵌入，以及线性代数构造的量子风格嵌入。所有变体均采用相同主干网络、分层数据划分、统一优化策略与早停机制，以及一致的评估指标进行训练测试。在五个不同TU数据集和通过目标分箱转换为分类任务的QM9数据集上的实验表明：量子导向嵌入在结构驱动型基准测试中展现最稳定的性能提升，而节点属性有限的社交网络图仍适合采用经典基线方法。该研究揭示了固定训练预算下归纳偏差、可训练性与稳定性之间的实际权衡关系，为图学习中量子导向嵌入的选择提供了可复现的参考基准。