量子图循环神经网络中的特征预测及其在信息隐藏中的应用
图结构是跨领域复杂非线性结构化数据的基础表示形式，广泛应用于社交网络和量子系统等领域。量子图循环神经网络（QGRNN）虽已被提出用于建模图结构量子系统中的量子动力学，但其在经典数据处理中的适用性仍是悬而未决的问题。本研究中，该团队将QGRNN应用于经典图结构数据处理，特别展示了该方法如何重构经典数据集中的节点特征。实验结果表明，QGRNN实现了高精度特征重构，近乎完美地完成分类任务。此外，研究人员基于QGRNN提出了一种信息隐藏技术——将消息嵌入图结构后，可在特定条件下提取信息。通过对不同字典规模和消息长度的提取精度评估，该工作证实QGRNN能保持较高信息提取准确率，即便复杂度增加时性能衰减也较为有限。这些发现证明了QGRNN在经典数据处理和安全信息隐藏两方面兼具可扩展性与鲁棒性，为量子增强的特征提取、隐私保护计算及量子隐写术开辟了新路径。
