論文の概要: A linear program for testing nonclassicality and an open-source implementation

• arxiv url: http://arxiv.org/abs/2204.11905v2
• Date: Wed, 25 Oct 2023 12:09:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-28 06:53:41.336550
• Title: A linear program for testing nonclassicality and an open-source implementation
• Title（参考訳）: 非古典性テストのための線形プログラムとオープンソース実装
• Authors: John H. Selby, Elie Wolfe, David Schmid, Ana Bel\'en Sainz, and Vinicius P. Rossi
• Abstract要約: 実験が古典的な説明に抵抗することを示すためのよく動機付けられた方法は、その統計が一般化された非文脈性に反することを示すことである。 本稿では,この問題を線形プログラムとして定式化し,任意の準備実験が古典的に説明可能であるか否かを検証したオープンソース実装を提供する。
• 参考スコア（独自算出の注目度）: 0.7864304771129751
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A well motivated method for demonstrating that an experiment resists any classical explanation is to show that its statistics violate generalized noncontextuality. We here formulate this problem as a linear program and provide an open-source implementation of it which tests whether or not any given prepare-measure experiment is classically-explainable in this sense. The input to the program is simply an arbitrary set of quantum states and an arbitrary set of quantum effects; the program then determines if the Born rule statistics generated by all pairs of these can be explained by a classical (noncontextual) model. If a classical model exists, it provides an explicit model. If it does not, then it computes the minimal amount of noise that must be added such that a model does exist, and then provides this model. We generalize all these results to arbitrary generalized probabilistic theories (and accessible fragments thereof) as well; indeed, our linear program is a test of simplex-embeddability.
• Abstract（参考訳）: 実験が古典的な説明に抵抗することを示すためのよく動機付けられた方法は、その統計が一般化された非文脈性に反することを示すことである。 本稿では,この問題を線形プログラムとして定式化し,任意の準備実験が古典的に説明可能であるか否かを検証したオープンソース実装を提供する。 プログラムへの入力は、単に量子状態の任意の集合と量子効果の任意の集合であり、プログラムは、それらの全ての対によって生成される自然規則統計が古典的(非文脈的)モデルによって説明できるかどうかを決定する。 古典的モデルが存在する場合、明示的なモデルを提供する。 もしそうでなければ、モデルが存在するように追加しなければならない最小限のノイズを計算し、そのモデルを提供する。 これらの結果は、任意の一般化された確率論(およびそれらのアクセシブルな断片)にも一般化される。

関連論文リスト

• A Metalearned Neural Circuit for Nonparametric Bayesian Inference [4.767884267554628]
  機械学習の分類への応用のほとんどは、バランスの取れたクラスの閉じた集合を前提としている。 これは、クラス発生統計が長い尾の力量分布に従うことがしばしばある実世界と矛盾する。 本研究では,非パラメトリックベイズモデルから誘導バイアスを抽出し,人工ニューラルネットワークに転送する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T16:43:17Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Intervention Generalization: A View from Factor Graph Models [7.117681268784223]
  操作されたシステムの分布の因子化に関する最小限の仮定に基づいて、過去の実験から新しい条件への飛躍をいかに保証するかを詳しく検討する。 仮定された$textitinterventional Factor Model$ (IFM) は必ずしも情報であるとは限らないが、不測のコンバウンディングとフィードバックのメカニズムを明示的にモデル化する必要性を便利に抽象化する。
  論文  参考訳（メタデータ） (2023-06-06T21:44:23Z)
• Test Set Sizing Via Random Matrix Theory [91.3755431537592]
  本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。 それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。 本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
  論文  参考訳（メタデータ） (2021-12-11T13:18:33Z)
• About the description of physical reality of Bell's experiment [91.3755431537592]
  ローカルリアリズムの最も単純な形式に対応する隠れ変数モデルが最近導入された。 これは、より理想的なベルの実験のための量子力学の予測を再現する。 新しいタイプの量子コンピュータはまだ存在せず、理論上さえ存在しない。
  論文  参考訳（メタデータ） (2021-09-06T15:55:13Z)
• Quantum computation of nonlinear maps [0.0]
  線形ユニタリ演算のみを用いて、量子コンピュータ上の一般微分可能可逆非線形写像を計算する。 より多くの反復は、一般的な非保守的力学の任意の有限ユニタリエミュレーションでは避けられないスプリアスエコーを生成する。
  論文  参考訳（メタデータ） (2021-05-15T23:57:26Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• A Note on High-Probability versus In-Expectation Guarantees of Generalization Bounds in Machine Learning [95.48744259567837]
  統計的機械学習理論は、しばしば機械学習モデルの一般化を保証するよう試みる。 機械学習モデルのパフォーマンスに関する声明は、サンプリングプロセスを考慮する必要がある。 1つのステートメントを別のステートメントに変換する方法を示します。
  論文  参考訳（メタデータ） (2020-10-06T09:41:35Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• The role of (non)contextuality in Bell's theorems from the perspective of an operational modeling framework [0.0]
  非コンテキスト性はQM予測の複製をブロックする操作モデルの最も一般的な性質である。 ODモデルインスタンスの有限アンサンブルの凸殻の構成は(数学的に)従来の隠れ変数のアプローチと同値であることが示されている。
  論文  参考訳（メタデータ） (2020-01-23T20:45:25Z)

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。