論文の概要: Optimizing rodeo projection
- arxiv url: http://arxiv.org/abs/2305.19952v4
- Date: Tue, 26 Sep 2023 15:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 20:44:20.289841
- Title: Optimizing rodeo projection
- Title（参考訳）: ロデオ投影の最適化
- Authors: Thomas D. Cohen, Hyunwoo Oh
- Abstract要約: ロデオアルゴリズムは、与えられた初期状態を固定エネルギー状態に投影するための量子コンピューティングの効率的な方法として最近提案されている。
本稿では, 時間選択に対するランダムなアプローチが, 不要成分の抑制において指数関数的に大きな変動に悩まされていることを示す。
ランダムにではなく意図的に時間を選択することで、そのような変動を回避でき、抑制の厳密な上限を得ることができることに留意する。
- 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 rodeo algorithm has been proposed recently as an efficient method in
quantum computing for projection of a given initial state onto a state of fixed
energy for systems with discrete spectra. In the initial formulation of the
rodeo algorithm these times were chosen randomly via a Gaussian distribution
with fixed RMS times. In this paper it is shown that such a random approach for
choosing times suffers from exponentially large fluctuations in the suppression
of unwanted components: as the number of iterations gets large, the
distribution of suppression factors obtained from random selection approaches a
log-normal distribution leading to remarkably large fluctuations. We note that
by choosing times intentionally rather than randomly such fluctuations can be
avoided and strict upper bounds on the suppression can be obtained. Moreover,
the average suppression using fixed computational cost can be reduced by many
orders of magnitude relative to the random algorithm. A key to doing this is to
choose times that vary over exponentially many times scales, starting from a
modest maximum scale and going down to time scales exponentially smaller.
- Abstract（参考訳）: ロデオアルゴリズムは、離散スペクトル系に対する固定エネルギー状態への与えられた初期状態の投影のための量子コンピューティングの効率的な方法として最近提案されている。
ロデオアルゴリズムの初期定式化では、これらの時間は固定されたrms時間を持つガウス分布を介してランダムに選択された。
本稿では,このような時間選択のランダムなアプローチは,不必要な成分の抑制の指数関数的に大きな変動に苦しむことを示し,反復数が大きくなるにつれて,ランダム選択から得られる抑制因子の分布が,非常に大きな変動をもたらすログ正規分布に近づくことを示した。
このようなゆらぎをランダムにではなく意図的に時間を選択することで回避でき、抑制の厳密な上限を得ることができることに注意する。
さらに、固定計算コストを用いた平均抑制は、ランダムアルゴリズムと比較して桁違いに小さくすることができる。
これを行うための鍵は、極端に最大スケールから指数関数的に小さなスケールへと、指数関数的に多くのスケールで変化する時間を選択することである。
関連論文リスト
- Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳（メタデータ） (2023-06-27T08:15:28Z) - Quickest Change Detection for Unnormalized Statistical Models [36.6516991850508]
本稿では,最も高速な変化検出のための古典的累積和(CUSUM)アルゴリズムの新たな変種を開発する。
SCUSUMアルゴリズムは、正規化されていない統計モデルに対する変更検出の応用を可能にする。
論文 参考訳（メタデータ） (2023-02-01T05:27:34Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Rethinking Initialization of the Sinkhorn Algorithm [36.72281550968301]
データ依存型初期化器は、暗黙の微分が用いられる限り、微分可能性に影響を与えない、劇的なスピードアップをもたらすことを示す。
我々の手法は、1D、ガウス、GMM設定で知られている正確なOT解や近似OT解に対して閉形式に依存している。
論文 参考訳（メタデータ） (2022-06-15T16:23:03Z) - Mean-based Best Arm Identification in Stochastic Bandits under Reward
Contamination [80.53485617514707]
本稿では,ギャップベースアルゴリズムと逐次除去に基づく2つのアルゴリズムを提案する。
具体的には、ギャップベースのアルゴリズムでは、サンプルの複雑さは定数要素まで最適であり、連続的な除去では対数因子まで最適である。
論文 参考訳（メタデータ） (2021-11-14T21:49:58Z) - Quantum Sub-Gaussian Mean Estimator [0.0]
実数値確率変数の平均を推定する新しい量子アルゴリズムを提案する。
我々の推定器は古典的なi.d.サンプルの数に対して、ほぼ最適2次高速化を達成する。
論文 参考訳（メタデータ） (2021-08-27T08:34:26Z) - Scalable Inference of Sparsely-changing Markov Random Fields with Strong
Statistical Guarantees [10.127456032874978]
スパース変換型MRFの推論に制約付き最適化問題を新たに導入する。
1時間未満で5億以上の変数を持つ疎交換グラフィカルモデルを正確に推定することができる。
論文 参考訳（メタデータ） (2021-02-06T13:53:00Z) - Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。
この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。
古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文 参考訳（メタデータ） (2020-07-01T18:43:32Z) - Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。
本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。
ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文 参考訳（メタデータ） (2020-06-11T19:40:38Z)
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。