2024年7月21日至7月27日，国际机器学习大会(International Conference on Machine Learning, 简称ICML)在奥地利维也纳举行。太阳成集团tyc9728电子商务系崔丽欣副教授（唯一通讯作者）与计算机系王悦副教授，以及北京师范大学白璐教授（第一作者）、浙江师范大学李明教授、英国约克大学皇家工程院院士Edwin R. Hancock教授合作完成的论文“QBMK: Quantum-based Matching Kernels for Un-attributed Graphs”入选会议Spotlight论文。本次会议共收到全球人工智能领域学者的投稿9473篇，经过严格评审录用2609篇，接受率27.54%，其中有191篇与144篇论文分别入选了Spotlight与Oral论文，入选比例为3.5%。ICML由国际机器学习学会(IMLS)举办，与NIPS (NeurIPS) 一同被认为是人工智能、机器学习领域难度最高的国际会议，被推荐为CCF-A类会议。

该篇论文通过连续时间量子游走（CTQW）提出了一种新型量子匹配图核函数（Graph Kernels），即：QBMK。该方法能够通过计算结构匹配结点间基于量子Shannon熵的再生核（即：Reproducing Kernels），进一步定义熵化的量子图核函数。本文新提出的量子图核不仅能够有效解决经典R-convolution图核存在的忽略图结构间匹配信息的缺陷，还能够克服经典匹配图核函数无法鉴别图结构间任意对齐结点间的特征差异性信息的突出问题。此外，本文的量子图核函数能够通过CTQW的平均混叠矩阵同时捕捉图结构的全局与局部结构特征信息，解决了经典R-convolution图核、全局图核、匹配图核仅仅关注一种结构信息类型的缺陷。相关标准数据集的实验评估表明，本文提出的量子QBMK图核具有比经典图核与图深度学习方法更好的图分类性能。

撰稿：崔丽欣

审稿：章宁

编辑：赵园