Fugu-MT 論文翻訳(概要): $\beta$-Variational Autoencoder as an Entanglement Classifier

論文の概要: $\beta$-Variational Autoencoder as an Entanglement Classifier

arxiv url: http://arxiv.org/abs/2004.14420v3
Date: Mon, 23 Aug 2021 17:15:42 GMT
ステータス: 処理完了
システム内更新日: 2023-05-21 19:29:47.610094
Title: $\beta$-Variational Autoencoder as an Entanglement Classifier
Title（参考訳）: 絡み合い分類器としての$\beta$-variational autoencoder
Authors: Nahum S\'a and Itzhak Roditi
Abstract要約: 我々は、量子状態がエンタングルされているか、あるいは測定に基づいて分離可能であるかを識別するために、$beta$-Variational Autoencoder($beta$-VAE)に似たアーキテクチャを使用することに注力する。データの低次元表現である潜在空間を用いて、局所データの集合に制限を加えることで、絡み合った状態と分離可能な状態の区別ができないことを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We focus on using an architecture similar to the $\beta$-Variational Autoencoder ($\beta$-VAE) to discriminate if a quantum state is entangled or separable based on measurements. We split the data into two sets, the set of local and correlated measurements. Using the latent space, which is a low dimensional representation of the data, we show that restricting ourselves to the set of local data it is not possible to distinguish between entangled and separable states. Meanwhile, when considering both correlated and local measurements, an accuracy of over 80% is attained in the structure of the latent space.
Abstract（参考訳）: 我々は、量子状態が測定値に基づいて絡み合っているか分離可能であるかを判別するために、$\beta$-variational autoencoder ($\beta$-vae) に似たアーキテクチャを使うことに集中する。データを局所的および相関的な測定セットの2つのセットに分割した。データの低次元表現である潜在空間を用いて,局所的なデータ集合に自身を制限しても,絡み合った状態と分離可能な状態の区別は不可能であることを示す。一方、相関測定と局所測定の両方を考慮すると、潜在空間の構造において80%以上の精度が得られる。

関連論文リスト

Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。 $mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。 $mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文参考訳（メタデータ） (2024-06-18T15:26:54Z)
That's My Point: Compact Object-centric LiDAR Pose Estimation for Large-scale Outdoor Localisation [18.26335698291226]
本稿では,LiDARスキャンにおける3次元ポーズ推定について述べる。セグメント化されたスキャンのすべての点をセマンティックオブジェクトにクラスタリングし、それらをそれぞれのセントロイドとセマンティッククラスでのみ表現することで、これを実現する。ほぼ半分の表現サイズを持つ最先端の手法に匹敵する正確な距離推定を実現する。
論文参考訳（メタデータ） (2024-03-07T18:55:30Z)
Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
論文参考訳（メタデータ） (2024-02-27T10:10:12Z)
Heterogeneous Federated Learning on a Graph [9.135254524746847]
ローカルデータを共有せずに複数の分散デバイスでアルゴリズムをトレーニングするフェデレーション学習は、機械学習の実践でますます人気を集めている。本研究では,データ分散と通信の不均一性を伴うフェデレート学習繰り返しにおけるパラメータ推定と,ローカル機器の計算能力の制限について考察する。我々のアルゴリズムは収束率$O(T-1log T)$で$G$のエッジに沿ってパラメータのみを送信する。
論文参考訳（メタデータ） (2022-09-19T03:18:10Z)
Dataset Condensation with Latent Space Knowledge Factorization and Sharing [73.31614936678571]
与えられたデータセットの規則性を利用してデータセットの凝縮問題を解決する新しい手法を提案する。データセットを元の入力空間に直接凝縮するのではなく、学習可能な一連のコードでデータセットの生成プロセスを仮定する。提案手法は,様々なベンチマークデータセットに対して,有意なマージンで新しい最先端記録を達成できることを実験的に示す。
論文参考訳（メタデータ） (2022-08-21T18:14:08Z)
Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文参考訳（メタデータ） (2022-06-17T09:40:14Z)
Local distance preserving auto-encoders using Continuous k-Nearest Neighbours graphs [12.607603625414573]
データ空間から潜在空間へのマッピングにおける局所的な距離を保存する自動エンコーダモデルをいくつか導入する。提案手法は,複数の標準データセットと評価指標にまたがって最先端のパフォーマンスを提供する。
論文参考訳（メタデータ） (2022-06-13T05:38:44Z)
Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文参考訳（メタデータ） (2021-07-05T18:30:26Z)
Neural Distributed Source Coding [59.630059301226474]
相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
論文参考訳（メタデータ） (2021-06-05T04:50:43Z)
Learning a Compact State Representation for Navigation Tasks by Autoencoding 2D-Lidar Scans [7.99536002595393]
ナビゲーションタスクにおける強化学習のための2次元ライダースキャンのコンパクト表現を生成する。特に,連続走査,特にエゴモーションの関係を,メモリモデルを適用して考察する。実験により,ライダーデータを高度に圧縮し,潜伏空間の有意義な分布を維持し,時間依存情報を組み込む手法の有効性が示された。
論文参考訳（メタデータ） (2021-02-03T16:10:26Z)
Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。