論文の概要: Learning to Detect Entanglement
- arxiv url: http://arxiv.org/abs/1709.03617v2
- Date: Wed, 22 May 2024 17:11:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-26 22:08:17.551798
- Title: Learning to Detect Entanglement
- Title(参考訳): 絡みを検知する学習
- Authors: Bingjie Wang,
- Abstract要約: 絡み合った状態や分離可能な状態の分類は基本的な作業だが、コストがかかる作業である。
本稿では,絡みを検知するために必要な資源量を改善する手法であるフォレストアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 1.4763055441508717
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classifying states as entangled or separable is a fundamental, but expensive task. This paper presents a method, the forest algorithm, to improve the amount of resources needed to detect entanglement. Starting from 'optimized' methods for using geometric criterion to detect entanglement, specific steps are replaced with machine learning models. Tests using numerical simulations indicate that the model is able to declare a state as entangled in fewer steps compared to existing methods. This improvement is achieved without affecting the correctness of the original algorithm.
- Abstract(参考訳): 絡み合った状態や分離可能な状態の分類は基本的な作業だが、コストがかかる作業である。
本稿では,絡みを検知するために必要な資源量を改善する手法であるフォレストアルゴリズムを提案する。
エンタングルメントを検出するために幾何学的基準を使用する'最適化'手法から始まり、特定のステップを機械学習モデルに置き換える。
数値シミュレーションを用いたテストでは、モデルが既存の手法に比べて少ないステップで絡み合った状態を宣言できることを示している。
この改善は、元のアルゴリズムの正確性に影響を与えることなく達成される。
関連論文リスト
- Learning the Positions in CountSketch [49.57951567374372]
本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。
本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-11T07:28:35Z) - Online Learning Under A Separable Stochastic Approximation Framework [20.26530917721778]
分離可能な近似フレームワークを用いて,機械学習モデルのクラスに対するオンライン学習アルゴリズムを提案する。
提案アルゴリズムは,他の一般的な学習アルゴリズムと比較して,より堅牢でテスト性能が高いことを示す。
論文 参考訳(メタデータ) (2023-05-12T13:53:03Z) - Reinforcement Learning with an Abrupt Model Change [15.101940747707705]
強化学習の問題は、環境やモデルが変化するところにあると考えられる。
エージェントがこのような問題に適応して最適な長期割引報酬を実現するアルゴリズムが提案されている。
アルゴリズムはモデルフリーであり、環境と相互作用することで最適なポリシーを学習する。
論文 参考訳(メタデータ) (2023-04-22T18:16:01Z) - Algorithms that Approximate Data Removal: New Results and Limitations [2.6905021039717987]
本研究では,経験的リスク最小化を用いて学習した機械学習モデルからユーザデータを削除することの問題点について検討する。
計算とメモリ効率を両立させるオンラインアンラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-09-25T17:20:33Z) - Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。
表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文 参考訳(メタデータ) (2022-06-16T11:44:11Z) - Meta-Regularization: An Approach to Adaptive Choice of the Learning Rate
in Gradient Descent [20.47598828422897]
第一次下降法における学習率の適応的選択のための新しいアプローチであるtextit-Meta-Regularizationを提案する。
本手法は,正規化項を追加して目的関数を修正し,共同処理パラメータをキャストする。
論文 参考訳(メタデータ) (2021-04-12T13:13:34Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳(メタデータ) (2021-01-08T18:55:07Z) - Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。
相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文 参考訳(メタデータ) (2020-09-07T16:47:30Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳(メタデータ) (2020-07-20T12:07:48Z) - PrimiTect: Fast Continuous Hough Voting for Primitive Detection [49.72425950418304]
本手法は点を平面や円錐などの異なる幾何学的プリミティブに分類し,データのコンパクトな表現につながる。
我々は、プリミティブの局所的で低次元のパラメータ化を使用して、ポイントが属するオブジェクトのタイプ、形状、ポーズを決定する。
これにより、ロボットアプリケーションでしばしば必要とされるように、計算能力の低いデバイス上での動作に適したアルゴリズムが実現されます。
論文 参考訳(メタデータ) (2020-05-15T10:16:07Z) - Generalization of Change-Point Detection in Time Series Data Based on
Direct Density Ratio Estimation [1.929039244357139]
既存のアルゴリズムを様々なバイナリ分類と回帰モデルを用いて一般化する方法を示す。
アルゴリズムは、いくつかの合成および実世界のデータセットでテストされる。
論文 参考訳(メタデータ) (2020-01-17T15:45:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。