Fugu-MT 論文翻訳(概要): Noisy Tree Data Structures and Quantum Applications

論文の概要: Noisy Tree Data Structures and Quantum Applications

arxiv url: http://arxiv.org/abs/2210.11197v2
Date: Mon, 15 May 2023 11:53:29 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 00:35:12.394504
Title: Noisy Tree Data Structures and Quantum Applications
Title（参考訳）: ノイズの多い木データ構造と量子応用
Authors: Kamil Khadiev, Nikita Savelyev, Mansur Ziatdinov and Denis Melnikov
Abstract要約: 本稿では,歩行木と呼ばれるノイズの多いデータ構造を構築する手法を提案する。赤黒木(Self-Balanced Binary Search Treeの実装)とセグメントツリーに適用する。本稿では,量子アルゴリズムへのデータ構造の適用について述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The paper presents a technique for constructing noisy data structures called a walking tree. We apply it for a Red-Black tree (an implementation of a Self-Balanced Binary Search Tree) and a segment tree. We obtain the same complexity of the main operations for these data structures as in the case without noise (asymptotically). We present several applications of the data structures for quantum algorithms. Finally, we suggest new quantum solution for strings sorting problem and show the lower bound. The upper and lower bounds are the same up to a log factor. At the same time, it is more effective than classical counterparts.
Abstract（参考訳）: 本稿では,歩行木と呼ばれるノイズの多いデータ構造を構築する手法を提案する。赤黒木(Self-Balanced Binary Search Treeの実装)とセグメントツリーに適用する。これらのデータ構造の操作は、ノイズのない場合(漸近的に)と同等に複雑である。本稿では,量子アルゴリズムへのデータ構造の適用について述べる。最後に,文字列ソート問題に対する新しい量子解を提案し,下限を示す。上と下の境界は、ログ係数まで同じである。同時に、古典的なものよりも効果的である。

関連論文リスト

LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
論文参考訳（メタデータ） (2024-06-29T05:14:04Z)
Des-q: a quantum algorithm to provably speedup retraining of decision trees [2.7262923206583136]
Des-qは、回帰および二分分類タスクのための決定木を構築し、再訓練するための新しい量子アルゴリズムである。我々は,複数のデータセット上での最先端の古典的手法に対して,Des-qのシミュレーションバージョンをベンチマークする。提案アルゴリズムは,最新の決定木に類似した性能を示しながら,周期木再学習を著しく高速化する。
論文参考訳（メタデータ） (2023-09-18T17:56:08Z)
Parallel Tree Kernel Computation [0.0]
2つの有限木からなる木核の計算のための逐次アルゴリズムの並列実装を考案する。その結果,提案した並列アルゴリズムは遅延の点で逐次アルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-05-12T18:16:45Z)
The Improvement of Decision Tree Construction Algorithm Based On Quantum Heuristic Algorithms [0.0]
この研究は、量子シミュレータ上の決定木構築アルゴリズムの実装に関連している。また、量子QAOAによる改善能力についても検討する。
論文参考訳（メタデータ） (2022-12-28T15:41:40Z)
Improved Quantum Query Upper Bounds Based on Classical Decision Trees [0.0]
古典的なクエリアルゴリズムが決定木として与えられると、古典的なクエリアルゴリズムよりも高速な量子クエリアルゴリズムはいつ存在するのか? 我々は、下層の決定木の構造に基づく一般的な構成を提供し、これが上から四進的な量子スピードアップをもたらすことを証明している。
論文参考訳（メタデータ） (2022-03-06T14:04:06Z)
Quadratic Quantum Speedup for Perceptron Training [0.0]
バイナリ分類を行うパーセプトロンは、ニューラルネットワークの基本的な構成要素である。パーセプトロンのためのオラクルを構築するためのクエリの複雑さは、古典的手法よりも2次的に改善されていることを示す。我々のアルゴリズムはニューラルネットワークのようなより複雑な機械学習モデルを訓練するために一般化することができる。
論文参考訳（メタデータ） (2021-09-10T06:50:57Z)
Robustifying Algorithms of Learning Latent Trees with Vector Variables [92.18777020401484]
Recursive Grouping (RG) と Chow-Liu Recursive Grouping (CLRG) のサンプル複雑性について述べる。 RG,CLRG,Neighbor Joining (NJ) およびSpectral NJ (SNJ) をトラッピングした内積を用いて強化する。我々は、潜在木の構造学習において、最初の既知のインスタンス依存の不合理性の結果を導出する。
論文参考訳（メタデータ） (2021-06-02T01:37:52Z)
Exact and Approximate Hierarchical Clustering Using A* [51.187990314731344]
クラスタリングのA*探索に基づく新しいアプローチを紹介します。 A*と新しいエンフォレリスデータ構造を組み合わせることで、禁止的に大きな検索空間を克服します。実験により,本手法は粒子物理利用事例や他のクラスタリングベンチマークにおいて,ベースラインよりもかなり高品質な結果が得られることを示した。
論文参考訳（メタデータ） (2021-04-14T18:15:27Z)
Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
論文参考訳（メタデータ） (2021-02-11T08:48:48Z)
SGA: A Robust Algorithm for Partial Recovery of Tree-Structured Graphical Models with Noisy Samples [75.32013242448151]
ノードからの観測が独立しているが非識別的に分散ノイズによって破損した場合、Ising Treeモデルの学習を検討する。 Katiyarら。 (2020) は, 正確な木構造は復元できないが, 部分木構造を復元できることを示した。統計的に堅牢な部分木回復アルゴリズムであるSymmetrized Geometric Averaging(SGA)を提案する。
論文参考訳（メタデータ） (2021-01-22T01:57:35Z)
MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文参考訳（メタデータ） (2020-07-24T17:06:55Z)

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。