論文の概要: Factor Graphs for Quantum Information Processing
- arxiv url: http://arxiv.org/abs/2203.12413v1
- Date: Wed, 23 Mar 2022 13:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 02:41:04.385494
- Title: Factor Graphs for Quantum Information Processing
- Title（参考訳）: 量子情報処理のための因子グラフ
- Authors: Michael X. Cao
- Abstract要約: 我々は、因子グラフと関連する方法の量子システム記述への一般化に興味がある。
古典的グラフィカルモデルの2つの一般化として、二重エッジ因子グラフ(DeFG)と量子因子グラフ(QFG)が研究されている。
- 参考スコア（独自算出の注目度）: 3.04585143845864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: [...] In this thesis, we are interested in generalizing factor graphs and the
relevant methods toward describing quantum systems. Two generalizations of
classical graphical models are investigated, namely double-edge factor graphs
(DeFGs) and quantum factor graphs (QFGs). Conventionally, a factor in a factor
graph represents a nonnegative real-valued local functions. Two different
approaches to generalize factors in classical factor graphs yield DeFGs and
QFGs, respectively. We proposed/re-proposed and analyzed generalized versions
of belief-propagation algorithms for DeFGs/QFGs. As a particular application of
the DeFGs, we investigate the information rate and their upper/lower bounds of
classical communications over quantum channels with memory. In this study, we
also propose a data-driven method for optimizing the upper/lower bounds on
information rate.
- Abstract（参考訳）: この論文では、因子グラフと量子システムを記述するための関連する方法を一般化することに興味がある。
古典的グラフィカルモデルの2つの一般化として、二重エッジ因子グラフ(DeFG)と量子因子グラフ(QFG)がある。
従来、因子グラフの因子は非負の実数値局所関数を表す。
古典的因子グラフにおける因子を一般化するための2つの異なるアプローチは、それぞれ DeFGs と QFGs を生成する。
そこで我々は,DeFG/QFGに対する信念伝達アルゴリズムの一般化版を提案し,分析した。
DeFGの特定の応用として、メモリを持つ量子チャネル上の古典的通信における情報レートとその上/下界について検討する。
本研究では,情報レートの上限/下限を最適化するデータ駆動手法を提案する。
関連論文リスト
- Learning Regularized Graphon Mean-Field Games with Unknown Graphons [155.38727464526923]
グラフィック平均フィールドゲーム(GMFG)のための強化学習アルゴリズムを設計する。
我々は、正規化されたGMFGのナッシュ平衡(NE)を、グラフンが未知のときに学習することを目指している。
これらのアルゴリズムは、サンプルエージェントからグラモンを学習するために設計された最初のものである。
論文 参考訳（メタデータ） (2023-10-26T16:19:24Z) - Advective Diffusion Transformers for Topological Generalization in Graph
Learning [69.2894350228753]
グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。
本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
論文 参考訳（メタデータ） (2023-10-10T08:40:47Z) - Variational Flow Graphical Model [22.610974083362606]
変分グラフフロー(VFG)モデルは,メッセージパッシング方式を用いて高次元データの表現を学習する。
VFGは低次元を用いてデータの表現を生成し、多くのフローベースモデルの欠点を克服する。
実験では、VFGは改良されたエビデンスローバウンド(ELBO)と複数のデータセットの確率値を達成する。
論文 参考訳（メタデータ） (2022-07-06T14:51:03Z) - OrphicX: A Causality-Inspired Latent Variable Model for Interpreting
Graph Neural Networks [42.539085765796976]
本稿では、グラフニューラルネットワーク(GNN)の因果説明を生成するための新しいeXplanationフレームワークOrphicXを提案する。
本研究では, 個別な生成モデルを構築し, 因果的, コンパクト, 忠実な説明を生成モデルに推奨する目的関数を設計する。
OrphicXは因果的説明を生成するための因果的意味論を効果的に識別できることを示す。
論文 参考訳（メタデータ） (2022-03-29T03:08:33Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - Graph Convolutional Network with Generalized Factorized Bilinear
Aggregation [31.674649135019386]
グラフ畳み込みネットワーク(GCN)における特徴相互作用をモデル化するためのFB層の新たな一般化を提案する。
複数のデータセットに対する実験結果から,GFB-GCNは他のテキスト分類法と競合することを示した。
論文 参考訳（メタデータ） (2021-07-24T17:57:06Z) - Finite-Function-Encoding Quantum States [52.77024349608834]
任意の$d$値論理関数を符号化する有限関数符号化(FFE)を導入する。
それらの構造的特性について検討する。
論文 参考訳（メタデータ） (2020-12-01T13:53:23Z) - Bridging the Gap Between Spectral and Spatial Domains in Graph Neural
Networks [8.563354084119062]
空間領域やスペクトル領域におけるグラフ畳み込み過程の等価性を示す。
提案フレームワークは、空間領域に適用しながら、独自の周波数プロファイルを持つスペクトル領域の新しい畳み込みを設計するために使用される。
論文 参考訳（メタデータ） (2020-03-26T01:49:24Z) - Neural Enhanced Belief Propagation on Factor Graphs [85.61562052281688]
グラフィカルモデルは局所依存確率変数の構造的表現である。
最初にグラフニューラルネットワークを拡張してグラフを分解する(FG-GNN)。
そこで我々は,FG-GNNを連立して動作させるハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2020-03-04T11:03:07Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。