論文の概要: Topological Link Models of Multipartite Entanglement
- arxiv url: http://arxiv.org/abs/2109.01150v2
- Date: Wed, 15 Jun 2022 23:27:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 08:26:20.036204
- Title: Topological Link Models of Multipartite Entanglement
- Title(参考訳): マルチパート・エンタングルメントのトポロジ的リンクモデル
- Authors: Ning Bao, Newton Cheng, Sergio Hern\'andez-Cuenca, Vincent Paul Su
- Abstract要約: グラフやハイパーグラフで表すことができないエントロピーベクトルのリンク表現が存在することを示す。
縮尺写像証明法はトポロジカルセッティングに一般化するが、現在ではノット理論ではよく知られているが難しい問題に対して論理解を必要とする。
- 参考スコア(独自算出の注目度): 0.20999222360659606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel model of multipartite entanglement based on topological
links, generalizing the graph/hypergraph entropy cone program. We demonstrate
that there exist link representations of entropy vectors which provably cannot
be represented by graphs or hypergraphs. Furthermore, we show that the
contraction map proof method generalizes to the topological setting, though now
requiring oracular solutions to well-known but difficult problems in knot
theory.
- Abstract(参考訳): 本稿では,グラフ/ハイパーグラフエントロピーコーンプログラムを一般化した,トポロジカルリンクに基づくマルチパーティ・エンタングルメントの新しいモデルを提案する。
グラフやハイパーグラフで表すことができないエントロピーベクトルのリンク表現が存在することを実証する。
さらに, 縮尺写像の証明法はトポロジカルセッティングに一般化するが, 結び目理論ではよく知られているが難しい問題に対して, 論理解を必要とする。
関連論文リスト
- Hyperbolic Heterogeneous Graph Attention Networks [3.0165549581582454]
以前の不均一グラフ埋め込みモデルは、低次元ユークリッド空間におけるベクトル表現として不均一グラフの要素を表す。
メタパスインスタンスを用いた双曲空間におけるベクトル表現を学習するハイパーボリック不均一グラフ注意ネットワーク(HHGAT)を提案する。
本研究では,HHGATがノード分類やクラスタリングタスクにおいて,最先端のヘテロジニアスグラフ埋め込みモデルより優れていることを示す3つの実世界のヘテロジニアスグラフデータセットの実験を行った。
論文 参考訳(メタデータ) (2024-04-15T04:45:49Z) - Weisfeiler and Lehman Go Paths: Learning Topological Features via Path Complexes [4.23480641508611]
グラフニューラルネットワーク(GNN)は理論上、1-Weisfeiler-Lehmanテストによって拘束される。
本研究では, トポロジ的メッセージパッシング過程において, グラフ内の単純な経路に着目し, 新たな視点を示す。
論文 参考訳(メタデータ) (2023-08-13T19:45:20Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - Curvature Graph Generative Adversarial Networks [31.763904668737304]
GAN(Generative Adversarial Network)は,グラフデータの一般化と堅牢な学習に広く利用されている。
既存のGANグラフ表現法は、離散空間におけるランダムウォークやトラバースによって負のサンプルを生成する。
CurvGANは、複数のタスクにまたがる最先端のメソッドよりも一貫して、大幅に優れています。
論文 参考訳(メタデータ) (2022-03-03T10:00:32Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Self-Supervised Graph Representation Learning via Topology
Transformations [61.870882736758624]
本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。
実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
論文 参考訳(メタデータ) (2021-05-25T06:11:03Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳(メタデータ) (2021-03-05T04:42:32Z) - A unified diagrammatic approach to topological fixed point models [0.0]
固定点モデルを記述するための体系的な数学的言語を導入し、それを物質のトポロジ的位相の研究に適用する。
このフレームワークはステートサムモデルや格子トポロジカル量子場理論を思い起こさせるが、テンソルネットワークの観点で形式化され統一されている。
位相的に順序付けられた位相の基底状態を研究するための既存のテンソルネットワークとは対照的に、我々の形式論におけるテンソルネットワークはユークリッド時空における離散経路積分を表す。
論文 参考訳(メタデータ) (2020-11-24T12:40:11Z) - Hamiltonian systems, Toda lattices, Solitons, Lax Pairs on weighted
Z-graded graphs [62.997667081978825]
グラフ上の解に対して一次元の解を持ち上げることができる条件を特定する。
位相的に興味深いグラフの簡単な例であっても、対応する非自明なラックス対と関連するユニタリ変換は、Z階数グラフ上のラックス対に持ち上げないことを示す。
論文 参考訳(メタデータ) (2020-08-11T17:58:13Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z)
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。