論文の概要: Multiclass classification of dephasing channels

• arxiv url: http://arxiv.org/abs/2108.01571v1
• Date: Tue, 3 Aug 2021 15:31:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 00:46:41.720015
• Title: Multiclass classification of dephasing channels
• Title（参考訳）: Dephasing Channel のマルチクラス分類
• Authors: Adriano M. Palmieri, Federico Bianchi, Matteo G. A. Paris, Claudia Benedetti
• Abstract要約: 単一量子デファスチャネルの環境パラメータの分類におけるニューラルネットワーク(NN)の利用に対処する。 どちらの場合も、NNはノイズレスデータを使ってパラメータを正確に16のクラスに分類できることがわかった。 ノイズの多いデータが存在する場合、ネットワークは1/アルファノイズの色を約70%の精度で16のクラスに分類することができる。
• 参考スコア（独自算出の注目度）: 12.625270928150035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the use of neural networks (NNs) in classifying the environmental parameters of single-qubit dephasing channels. In particular, we investigate the performance of linear perceptrons and of two non-linear NN architectures. At variance with time-series-based approaches, our goal is to learn a discretized probability distribution over the parameters using tomographic data at just two random instants of time. We consider dephasing channels originating either from classical 1/f{\alpha} noise or from the interaction with a bath of quantum oscillators. The parameters to be classified are the color {\alpha} of the classical noise or the Ohmicity parameter s of the quantum environment. In both cases, we found that NNs are able to exactly classify parameters into 16 classes using noiseless data (a linear NN is enough for the color, whereas a single-layer NN is needed for the Ohmicity). In the presence of noisy data (e.g. coming from noisy tomographic measurements), the network is able to classify the color of the 1/f{\alpha} noise into 16 classes with about 70% accuracy, whereas classification of Ohmicity turns out to be challenging. We also consider a more coarse-grained task, and train the network to discriminate between two macro-classes corresponding to {\alpha} \lessgtr 1 and s \lessgtr 1, obtaining up to 96% and 79% accuracy using single-layer NNs.
• Abstract（参考訳）: 単一量子デファスチャネルの環境パラメータの分類におけるニューラルネットワーク(NN)の利用に対処する。 特に,線形パーセプトロンと2つの非線形nnアーキテクチャの性能について検討した。 時系列に基づくアプローチとの相違点において, トモグラフィーデータを用いてパラメータ上の離散確率分布を2つのランダムな瞬間に学習することが目的である。 古典的な1/f{\alpha}ノイズや、量子発振器の浴との相互作用から発せられる減音チャネルを考える。 分類されるパラメータは、古典ノイズの色 {\alpha} または量子環境のオーミシティパラメータ s である。 どちらの場合においても、nnはノイズのないデータを用いてパラメータを16クラスに正確に分類できることがわかった(線形nnは色に十分であるが、単層nnはオミシティに必要である)。 ノイズデータ(例えばノイズトモグラフィー)の存在下では、ネットワークは1/f{\alpha}ノイズの色を約70%の精度で16のクラスに分類することができるが、Ohmicityの分類は困難であることが判明した。 さらに,より粗いタスクを検討し,単層nnを用いて96%,79%の精度を得た {\alpha} \lessgtr 1 と s \lessgtr 1 に対応する2つのマクロクラスを識別するようにネットワークを訓練した。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• A Scalable Walsh-Hadamard Regularizer to Overcome the Low-degree Spectral Bias of Neural Networks [79.28094304325116]
  任意の関数を学習するニューラルネットワークの能力にもかかわらず、勾配降下によって訓練されたモデルは、しばしばより単純な関数に対するバイアスを示す。 我々は、この低度周波数に対するスペクトルバイアスが、現実のデータセットにおけるニューラルネットワークの一般化を実際にいかに損なうかを示す。 本稿では,ニューラルネットワークによる高次周波数学習を支援する,スケーラブルな機能正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-16T20:06:01Z)
• Parallel Hybrid Networks: an interplay between quantum and classical neural networks [0.0]
  我々は、データセットの入力を並列に渡す、新しい解釈可能なハイブリッド量子ニューラルネットワークのクラスを導入する。 この主張は、周期分布からサンプリングされた2つの合成データセットに対して、雑音としてプロテクションを付加したものである。
  論文  参考訳（メタデータ） (2023-03-06T15:45:28Z)
• Rethinking Nearest Neighbors for Visual Classification [56.00783095670361]
  k-NNは、トレーニングセット内のテストイメージとトップk隣人間の距離を集約する遅延学習手法である。 我々は,教師付き手法と自己監督型手法のいずれでも,事前学習した視覚表現を持つk-NNを2つのステップで採用する。 本研究は,幅広い分類タスクに関する広範な実験により,k-NN統合の汎用性と柔軟性を明らかにした。
  論文  参考訳（メタデータ） (2021-12-15T20:15:01Z)
• Nonparametric Regression with Shallow Overparameterized Neural Networks Trained by GD with Early Stopping [11.24426822697648]
  GD(Gradient Descent)によってトレーニングされたニューラルネットワークは,入力に対してスムーズであることを示す。 ノイズフリーの場合、証明はいかなる核化にも依存せず、有限幅の結果と見なすことができる。
  論文  参考訳（メタデータ） (2021-07-12T11:56:53Z)
• Correlated Input-Dependent Label Noise in Large-Scale Image Classification [4.979361059762468]
  我々は、データセット内のラベルノイズとしてヘテロセダスティック(herescedastic, label noise)として知られる入力依存のモデリングに対して、原則的な確率論的アプローチをとる。 学習された共分散構造は、意味的に類似したクラスと共起するクラスの間のラベルノイズの既知の情報源をキャプチャする。 We set a new-of-the-art results on WebVision 1.0 with 76.6% top-1 accuracy。
  論文  参考訳（メタデータ） (2021-05-19T17:30:59Z)
• A Distributed Optimisation Framework Combining Natural Gradient with Hessian-Free for Discriminative Sequence Training [16.83036203524611]
  本稿では、ニューラルネットワークトレーニングのための自然勾配およびヘッセンフリー(NGHF)最適化フレームワークを提案する。 これは、自然勾配(ng)法とヘッセンフリー(hf)や他の二次法からの局所曲率情報を組み合わせた線形共役勾配(cg)アルゴリズムに依存している。 さまざまな音響モデルタイプのマルチジャンル放送データセットで実験が報告されています。
  論文  参考訳（メタデータ） (2021-03-12T22:18:34Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Classification of Periodic Variable Stars with Novel Cyclic-Permutation Invariant Neural Networks [0.0]
  ニューラルネットの新しいクラスであるサイクリック置換不変ネットワークを提案する。 循環置換不変ネットワークの2つの実装は、不変でないベースラインを一貫して上回ることを示す。 ここで紹介される方法論は、幅広い科学分野にも適用可能であることを示唆する。
  論文  参考訳（メタデータ） (2020-11-02T19:00:01Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。