Fugu-MT 論文翻訳(概要): Upper bound on the Guessing probability using Machine Learning

論文の概要: Upper bound on the Guessing probability using Machine Learning

arxiv url: http://arxiv.org/abs/2212.08500v1
Date: Fri, 16 Dec 2022 14:33:35 GMT
ステータス: 処理完了
システム内更新日: 2023-01-09 07:23:48.834209
Title: Upper bound on the Guessing probability using Machine Learning
Title（参考訳）: 機械学習を用いた誘導確率の上限
Authors: Sarnava Datta, Hermann Kampermann, Dagmar Bru{\ss}
Abstract要約: 推定確率の推定は、量子暗号プロセスにおいて最も重要である。研究されたシナリオのほとんどでは、推測確率は半確定的なプログラムを解くのに等しい。我々は、この問題に対処するために、いくつかの関連するベルシナリオに対してディープラーニングアプローチを実装した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The estimation of the guessing probability has paramount importance in quantum cryptographic processes. It can also be used as a witness for nonlocal correlations. In most of the studied scenarios, estimating the guessing probability amounts to solving a semi-definite programme, for which potent algorithms exist. However, the size of those programs grows exponentially with the system size, becoming infeasible even for small numbers of inputs and outputs. We have implemented deep learning approaches for some relevant Bell scenarios to confront this problem. Our results show the capabilities of machine learning for estimating the guessing probability and for understanding nonlocality.
Abstract（参考訳）: 推測確率の推定は量子暗号過程において極めて重要である。非局所的な相関の証人としても用いられる。研究されたシナリオのほとんどでは、推測確率の推定は半定値プログラムの解法に相当し、強力なアルゴリズムが存在する。しかし、これらのプログラムのサイズはシステムのサイズとともに指数関数的に増加し、少数の入力や出力でも不可能になる。我々は、この問題に対処するために、いくつかの関連するベルシナリオに対してディープラーニングアプローチを実装した。本研究は,予測確率を推定し,非局所性を理解する機械学習の能力を示す。

関連論文リスト

How to Compute the Probability of a Word [45.23856093235994]
本稿では,単語確率の正しい計算法を導出する。確率計算における広範囲なバグの修正は,文理解および語彙最適化分析における測定結果に影響を及ぼすことを示す。
論文参考訳（メタデータ） (2024-06-20T17:59:42Z)
Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文参考訳（メタデータ） (2024-06-20T15:25:13Z)
Mean field initialization of the Annealed Importance Sampling algorithm for an efficient evaluation of the Partition Function of Restricted Boltzmann Machines [0.0]
Annealed Importance Smpling (AIS)は、システムのパーティション関数を推定するツールである。本研究では,適切な選択した平均場開始確率分布を用いることで,推定の品質と計算コストを両立させることができることを示す。計算コストが比較的低いAISを用いて分割関数を推定するには,これらがよい出発点である。
論文参考訳（メタデータ） (2024-04-17T10:22:03Z)
Distribution-free risk assessment of regression-based machine learning algorithms [6.507711025292814]
我々は回帰アルゴリズムとモデル予測の周囲に定義された区間内に存在する真のラベルの確率を計算するリスク評価タスクに焦点をあてる。そこで,本研究では,正のラベルを所定の確率で含むことが保証される予測区間を提供する共形予測手法を用いてリスク評価問題を解決する。
論文参考訳（メタデータ） (2023-10-05T13:57:24Z)
Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文参考訳（メタデータ） (2023-06-21T16:04:03Z)
Multiclass classification utilising an estimated algorithmic probability prior [0.5156484100374058]
我々は,アルゴリズム情報理論,特にアルゴリズム的確率が,機械学習タスクにどのように役立つかを研究する。この研究は、アルゴリズムの確率が具体的な実世界の機械学習問題にどのように役立つかを示す最初の1つである。
論文参考訳（メタデータ） (2022-12-14T07:50:12Z)
Evaluating Distributional Distortion in Neural Language Modeling [81.83408583979745]
稀な事象の重みは、言語における分布の総確率質量のかなりの量を占める。パープレキシティなどの標準言語モデリングメトリクスは、集約された言語モデル(LM)のパフォーマンスを定量化する。自然言語を人工言語として訓練した生成モデルを用いた制御評価手法を開発した。
論文参考訳（メタデータ） (2022-03-24T01:09:46Z)
Scalable approach to many-body localization via quantum data [69.3939291118954]
多体局在は、量子多体物理学の非常に難しい現象である。計算コストの高いステップを回避できるフレキシブルニューラルネットワークベースの学習手法を提案する。我々のアプローチは、量子多体物理学の新たな洞察を提供するために、大規模な量子実験に適用することができる。
論文参考訳（メタデータ） (2022-02-17T19:00:09Z)
Learnability of the output distributions of local quantum circuits [53.17490581210575]
2つの異なるオラクルモデルにおいて、量子回路Bornマシンの学習可能性について検討する。我々はまず,超対数深度クリフォード回路の出力分布がサンプル効率良く学習できないという負の結果を示した。より強力なオラクルモデル、すなわちサンプルに直接アクセスすると、局所的なクリフォード回路の出力分布は計算効率よくPACを学習可能であることを示す。
論文参考訳（メタデータ） (2021-10-11T18:00:20Z)
Estimating g-Leakage via Machine Learning [34.102705643128004]
本稿では,ブラックボックスシナリオにおけるシステムの情報漏洩を推定する問題について考察する。システムの内部は学習者にとって未知であり、分析するには複雑すぎると仮定される。機械学習(ML)アルゴリズムを用いて,g-vulnerabilityをブラックボックスで推定する手法を提案する。
論文参考訳（メタデータ） (2020-05-09T09:26:36Z)
Statistical Limits of Supervised Quantum Learning [90.0289160657379]
精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
論文参考訳（メタデータ） (2020-01-28T17:35:32Z)

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。