Quantum-Classical Link Prediction on Dark Web Hyperlink Graphs

📄 arXiv: 2610.32510v1 📥 PDF

作者: Vojtěch Novák, Radovan Rečka, Ondřej Knebl, Aktham Youssef, Ivan Zelinka

分类: cs.NI, cs.LG

发布日期: 2026-10-23

💡 一句话要点

提出量子-经典链接预测方法以分析暗网超链接图

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 量子计算 链接预测 暗网分析 图神经网络 多模态学习

📋 核心要点

  1. 现有的链接预测方法在处理暗网超链接图时面临数据稀疏和特征不足的问题，导致预测性能不佳。
  2. 本研究提出了一种结合语义分析与量子-经典链接预测的创新方法，通过度控制来提高预测准确性。
  3. 实验结果表明，使用变分量子分类器的最佳ROC-AUC为0.549±0.023，显示出量子方法在特定条件下的潜力。

📝 摘要（中文）

本研究分析了来自离线Tor爬虫的HTML内容和超链接，涉及383个洋葱主机和2067个定向跨主机链接。研究结合了语义分析与度控制的量子-经典链接预测。结果显示，两个目录组产生了94.8%的观察到的主机链接。定向优先附加法在随机非边缘下达到ROC-AUC 0.976，但在源条件目标度匹配下降至0.550±0.014。使用不重叠的训练和测试对，多模态逻辑回归达到0.672±0.021，GAE为0.899±0.016，VGAE为0.906±0.016。四量子变分分类器（VQC）比较测试了两种编码，结果表明在相同输入和训练示例下，其最佳精确均值ROC-AUC为0.549±0.023，显示了量子-经典比较中度控制、特征压缩和优化条件的重要性。

🔬 方法详解

问题定义：本论文旨在解决暗网超链接图中的链接预测问题，现有方法在数据稀疏和特征表达上存在不足，导致预测效果不理想。

核心思路：论文提出结合语义分析与量子-经典链接预测的方法，通过度控制来优化预测性能，旨在提升模型的准确性和鲁棒性。

技术框架：整体架构包括数据收集、特征提取、模型训练和评估四个主要阶段。首先从Tor网络中爬取数据，然后进行语义分析，最后使用多种模型进行链接预测。

关键创新：最重要的技术创新在于引入了量子分类器与经典模型的比较，探索了量子计算在链接预测中的应用潜力，特别是在特征压缩和优化条件下的表现。

关键设计：在模型设计中，使用了多模态逻辑回归、图自编码器（GAE）和变分图自编码器（VGAE），并对量子分类器的编码方式进行了优化，确保在不同的训练和测试对下进行有效评估。

📊 实验亮点

实验结果显示，定向优先附加法在随机非边缘下的ROC-AUC达到0.976，而在源条件目标度匹配下降至0.550±0.014。使用VGAE模型的ROC-AUC为0.906±0.016，四量子变分分类器的最佳ROC-AUC为0.549±0.023，显示出量子方法在特定条件下的有效性。

🎯 应用场景

该研究的潜在应用领域包括网络安全、信息检索和社交网络分析等。通过提高暗网链接预测的准确性，可以帮助安全机构更好地监测和分析暗网活动，进而提升网络安全防护能力。未来，该方法也可能扩展到其他复杂网络的分析中，具有广泛的实际价值。

📄 摘要（原文）

We analyze HTML content and hyperlinks from an offline Tor crawl containing 383 onion hosts and 2,067 directed cross-host links. The study combines semantic analysis with degree-controlled quantum--classical link prediction. Two directory groups emit 94.8\% of the observed host links. Directed preferential attachment reaches ROC-AUC 0.976 with random non-edges, but falls to $0.550\pm0.014$ under source-conditioned target-degree matching. With disjoint training and test pairs, multimodal logistic regression reaches $0.672\pm0.021$, GAE $0.899\pm0.016$, and VGAE $0.906\pm0.016$. A four-qubit variational quantum classifier (VQC) comparison tests two encodings across 20 disjoint-pair graph splits under exact and 1,024-shot simulation, with classical controls using the same inputs and training examples. Its best exact mean ROC-AUC is $0.549\pm0.023$, compared with $0.551\pm0.016$ for RBF SVC and $0.573\pm0.029$ for a 16-parameter MLP on the same inputs and training examples. These results support predictive signal in combined graph/content features and show why degree control, feature compression, and optimization conditions matter in quantum--classical comparisons.