論文の概要: Can error in quantum deletion machines be beneficial for deletion?

• arxiv url: http://arxiv.org/abs/2006.01517v1
• Date: Tue, 2 Jun 2020 10:57:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 09:02:20.575944
• Title: Can error in quantum deletion machines be beneficial for deletion?
• Title（参考訳）: 量子削除マシンのエラーは削除に有用か?
• Authors: Sujan Vijayaraj, S. Balakrishnan
• Abstract要約: Pati-Braunstein削除機は、削除確率の特定の値に対して容易に導出できることが示されている。 削除機は、適切なパラメータを持つ任意の入力状態に対して、Pati-Braunstein削除機よりも高い削除忠実度を提供できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, a generalized input state dependent deletion machine called probabilistic quantum deletion machine is proposed. Considering the Pati-Braunstein deletion machine as a benchmark, the machine is characterized by its deletion probability and the probability of error in deletion. It is observed that there are parameters for which increase in error in deletion can increase the fidelity of deletion. It is also shown that the Pati-Braunstein deletion machine is easily derivable for a certain value of deletion probability. Further the deletion machine can offer better fidelity of deletion than the Pati-Braunstein deletion machine for any input state with the right parameters.
• Abstract（参考訳）: 本稿では,確率的量子欠失機械と呼ばれる一般化入力状態依存欠失機械を提案する。 ベンチマークとしてpati-braunstein deletion machineを考えると、このマシンは削除確率と削除エラーの確率によって特徴づけられる。 削除の誤りが増加すると削除の忠実度が高くなるパラメータが存在することが観察される。 また,pati-braunstein deletion machineは削除確率の一定値に対して容易に導出できることを示した。 さらに、削除機は、適切なパラメータを持つ任意の入力状態に対して、Pati-Braunstein削除機よりも削除の忠実度がよい。

関連論文リスト

• How to Delete Without a Trace: Certified Deniability in a Quantum World [10.48282553703308]
  我々は,より包括的な削除概念を得るために,認証された識別可能性について検討する。 Certified deniabilityは、シミュレーションベースのセキュリティ定義を使用して、削除後にユーザが保持した情報が、最初に削除可能なオブジェクトを渡さなくても学べるようにしている。 量子ランダムオラクルモデルにおいて、証明された識別性を満足する2つの非相互作用プリミティブを定義し、構築する。
  論文  参考訳（メタデータ） (2024-11-07T20:30:19Z)
• Control, Confidentiality, and the Right to be Forgotten [7.568881327572535]
  我々は新しい形式主義である削除・アズ・コントロールを提案する。 削除前にユーザーのデータを自由に使用でき、削除後に意味のある要件を課すことができる。 社会機能に応用し、様々な機械学習定義の統一的なビューを提供する。
  論文  参考訳（メタデータ） (2022-10-14T14:54:52Z)
• Quantum Proofs of Deletion for Learning with Errors [91.3755431537592]
  完全同型暗号方式として, 完全同型暗号方式を初めて構築する。 我々の主要な技術要素は、量子証明器が古典的検証器に量子状態の形でのLearning with Errors分布からのサンプルが削除されたことを納得させる対話的プロトコルである。
  論文  参考訳（メタデータ） (2022-03-03T10:07:32Z)
• VAE Approximation Error: ELBO and Conditional Independence [78.72292013299868]
  本稿では,ELBO目標とエンコーダ確率系列の選択の組み合わせによるVAE近似誤差を解析する。 より深いエンコーダネットワークを考慮すれば,ELBOサブセットを拡大することができず,各エラーを低減できないことを示す。
  論文  参考訳（メタデータ） (2021-02-18T12:54:42Z)
• Removing Spurious Features can Hurt Accuracy and Affect Groups Disproportionately [83.68135652247496]
  自然な修正は、モデルからスプリアスな特徴を取り除くことである。 誘導バイアスによる突発的特徴の除去は精度を低下させる可能性が示唆された。 また,ロバストな自己学習によって,全体的な正確性に影響を与えずにスプリアスな特徴を除去できることを示した。
  論文  参考訳（メタデータ） (2020-12-07T23:08:59Z)
• Compressive Summarization with Plausibility and Salience Modeling [54.37665950633147]
  本稿では,候補空間に対する厳密な構文的制約を緩和し,その代わりに圧縮決定を2つのデータ駆動基準,すなわち妥当性とサリエンスに委ねることを提案する。 提案手法は,ベンチマーク要約データセット上で強いドメイン内結果を得るとともに,人間による評価により,文法的および事実的削除に対して,可算性モデルが一般的に選択されることを示す。
  論文  参考訳（メタデータ） (2020-10-15T17:07:10Z)
• General stochastic separation theorems with optimal bounds [68.8204255655161]
  分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。 エラーやエラーのクラスタは、残りのデータから分離することができる。 AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
  論文  参考訳（メタデータ） (2020-10-11T13:12:41Z)
• Descent-to-Delete: Gradient-Based Methods for Machine Unlearning [15.647473776016042]
  任意に長い逆更新を処理できる最初のデータ削除アルゴリズムを提供する。 例えば、削除後、最適化アルゴリズムによって維持される状態全体が、私たちが再訓練された状態と統計的に区別できないことを問うことができる。
  論文  参考訳（メタデータ） (2020-07-06T17:54:35Z)
• Selecting time-series hyperparameters with the artificial jackknife [0.0]
  私はそれをArtificial delete-d$ jackknifeと呼び、このアプローチが古典的な削除ステップを架空の削除に置き換えていることを強調します。 この手順はデータの順序をそのままに保ち、時系列とのプレーンな互換性を可能にする。
  論文  参考訳（メタデータ） (2020-02-11T21:38:51Z)
• Certified Data Removal from Machine Learning Models [79.91502073022602]
  優れたデータスチュワードシップでは、データ所有者の要求でデータを削除する必要がある。 これにより、トレーニングデータに関する情報を暗黙的に格納するトレーニングされた機械学習モデルが、このような削除要求の影響を受けるべきかどうか、という疑問が提起される。 データを削除したモデルと、最初にデータを観測しなかったモデルとを区別できないという非常に強力な理論的保証である。
  論文  参考訳（メタデータ） (2019-11-08T03:57:41Z)
• Limits on quantum deletion from no signaling principle [0.0]
  削除定理(No Deletion Theorem)は、2つの同じ未知の量子状態が与えられた場合、そのうちの1つを削除することは不可能であることを示している。 この近似的な削除プロセスでは、基本的なターゲットは、2つの同一コピーのうちの1つを可能な限り削除し、もう1つのコピーを保存することです。 この研究は最終的に、NCTフレームワーク内での削除の最適値の探索を飽和させる。
  論文  参考訳（メタデータ） (2017-05-19T14:21:46Z)

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。