Fugu-MT 論文翻訳(概要): Efficient Learning of Non-Interacting Fermion Distributions

論文の概要: Efficient Learning of Non-Interacting Fermion Distributions

arxiv url: http://arxiv.org/abs/2102.10458v1
Date: Sat, 20 Feb 2021 22:16:40 GMT
ステータス: 処理完了
システム内更新日: 2021-02-23 14:40:53.560542
Title: Efficient Learning of Non-Interacting Fermion Distributions
Title（参考訳）: 非干渉フェルミオン分布の効率的な学習
Authors: Scott Aaronson and Sabee Grewal
Abstract要約: 我々は、$O(m2 n4 log(m/delta)/ varepsilon4)$サンプルと$O(m4 n4 log(m/delta)/ varepsilon4)$時間で元の分布を全変動距離まで学習できることを示す。本アルゴリズムは,1モードと2モードの相関を経験的に推定し,分布全体の簡潔な記述を効率的に再構成する。
参考スコア（独自算出の注目度）: 5.254093731341154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We give an efficient classical algorithm that recovers the distribution of a non-interacting fermion state over the computational basis. For a system of $n$ non-interacting fermions and $m$ modes, we show that $O(m^2 n^4 \log(m/\delta)/ \varepsilon^4)$ samples and $O(m^4 n^4 \log(m/\delta)/ \varepsilon^4)$ time are sufficient to learn the original distribution to total variation distance $\varepsilon$ with probability $1 - \delta$. Our algorithm empirically estimates the one- and two-mode correlations and uses them to reconstruct a succinct description of the entire distribution efficiently.
Abstract（参考訳）: 我々は、非相互作用フェルミオン状態の分布を計算ベースで回復する効率的な古典的アルゴリズムを与える。相互作用しないフェルミオンと$m$モードのシステムの場合、$O(m^2 n^4 \log(m/\delta)/ \varepsilon^4)$サンプルと$O(m^4 n^4 \log(m/\delta)/ \varepsilon^4)$時間で、全変動距離$\varepsilon$の元の分布を学ぶのに十分である。本アルゴリズムは,1モードと2モードの相関を経験的に推定し,分布全体の簡潔な記述を効率的に再構成する。

関連論文リスト

Robust Sparse Regression with Non-Isotropic Designs [4.964650614497048]
2つの敵が同時に存在するときの疎線形回帰を効率的に計算可能な推定器を設計する手法を開発した。 2つの敵が存在する場合の重み付き設計に適した重み付きハマー損失の新しい解析法を提案する。
論文参考訳（メタデータ） (2024-10-31T13:51:59Z)
Near-Optimal Bounds for Learning Gaussian Halfspaces with Random Classification Noise [50.64137465792738]
この問題に対する効率的なSQアルゴリズムは、少なくとも$Omega(d1/2/(maxp, epsilon)2)$. のサンプル複雑性を必要とする。我々の下限は、この1/epsilon$に対する二次的依存は、効率的なアルゴリズムに固有のものであることを示唆している。
論文参考訳（メタデータ） (2023-07-13T18:59:28Z)
Efficient Sampling of Stochastic Differential Equations with Positive Semi-Definite Models [91.22420505636006]
本稿では, ドリフト関数と拡散行列を考慮し, 微分方程式からの効率的なサンプリング問題を扱う。 1/varepsilonは$m2d log (1/varepsilon)$である。以上の結果から,真の解がより滑らかになるにつれて,どのような凸性も必要とせず,次元の呪いを回避できることが示唆された。
論文参考訳（メタデータ） (2023-03-30T02:50:49Z)
Robust Mean Estimation Without Moments for Symmetric Distributions [7.105512316884493]
大規模な対称分布に対して、ガウス的設定と同じ誤差を効率的に達成できることが示される。この最適誤差にアプローチする効率的なアルゴリズムの列を提案する。我々のアルゴリズムは、よく知られたフィルタリング手法の一般化に基づいている。
論文参考訳（メタデータ） (2023-02-21T17:52:23Z)
Learning a Single Neuron with Adversarial Label Noise via Gradient Descent [50.659479930171585]
モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
論文参考訳（メタデータ） (2022-06-17T17:55:43Z)
Tight Bounds on the Hardness of Learning Simple Nonparametric Mixtures [9.053430799456587]
有限混合系における非パラメトリック分布の学習問題について検討する。このようなモデルにおける成分分布を学習するために、サンプルの複雑さに厳密な境界を定めている。
論文参考訳（メタデータ） (2022-03-28T23:53:48Z)
TURF: A Two-factor, Universal, Robust, Fast Distribution Learning Algorithm [64.13217062232874]
最も強力で成功したモダリティの1つは、全ての分布を$ell$距離に近似し、基本的に最も近い$t$-piece次数-$d_$の少なくとも1倍大きい。本稿では,この数値をほぼ最適に推定する手法を提案する。
論文参考訳（メタデータ） (2022-02-15T03:49:28Z)
Learning elliptic partial differential equations with randomized linear algebra [2.538209532048867]
ほぼ確実に収束する$G$への近似を構築することができることを示す。 0Gamma_epsilonleq 1$はトレーニングデータセットの品質を特徴付ける。
論文参考訳（メタデータ） (2021-01-31T16:57:59Z)
Convergence of Sparse Variational Inference in Gaussian Processes Regression [29.636483122130027]
計算コストが$mathcalO(log N)2D(log N)2)$の手法を推論に利用できることを示す。
論文参考訳（メタデータ） (2020-08-01T19:23:34Z)
Linear Time Sinkhorn Divergences using Positive Features [51.50788603386766]
エントロピー正則化で最適な輸送を解くには、ベクトルに繰り返し適用される$ntimes n$ kernel matrixを計算する必要がある。代わりに、$c(x,y)=-logdotpvarphi(x)varphi(y)$ ここで$varphi$は、地上空間から正のorthant $RRr_+$への写像であり、$rll n$である。
論文参考訳（メタデータ） (2020-06-12T10:21:40Z)
Model-Free Reinforcement Learning: from Clipped Pseudo-Regret to Sample Complexity [59.34067736545355]
S$状態、$A$アクション、割引係数$gamma in (0,1)$、近似しきい値$epsilon > 0$の MDP が与えられた場合、$epsilon$-Optimal Policy を学ぶためのモデルなしアルゴリズムを提供する。十分小さな$epsilon$の場合、サンプルの複雑さで改良されたアルゴリズムを示す。
論文参考訳（メタデータ） (2020-06-06T13:34:41Z)

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。