Fugu-MT 論文翻訳(概要): A simple construction of Entanglement Witnesses for arbitrary and different dimensions

論文の概要: A simple construction of Entanglement Witnesses for arbitrary and different dimensions

arxiv url: http://arxiv.org/abs/2308.07019v1
Date: Mon, 14 Aug 2023 09:07:21 GMT
ステータス: 処理完了
システム内更新日: 2023-08-15 13:45:24.741935
Title: A simple construction of Entanglement Witnesses for arbitrary and different dimensions
Title（参考訳）: 任意の次元と異なる次元に対する絡み合い証人の簡単な構成
Authors: Vahid Jannesary, Vahid Karimipour
Abstract要約: 異なる次元の空間間の様々な正の写像の集合を生成するための簡単なアプローチを提案する。この方法により、選択された所望の測定値からなる絡み合いウィットネスを構築することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a simple approach for generation of a diverse set of positive maps between spaces of different dimensions. The proposed method enables the construction of Entanglement Witnesses tailored for systems characterized by $d_1 \times d_2$ dimensions. We also present an alternative argument for directly generating a wide range of Entanglement Witnesses in these dimensions. With this method, it is possible to construct Entanglement Witnesses that consist solely of a chosen set of desired measurements. We demonstrate the effectiveness and generality of our approach using concrete examples.
Abstract（参考訳）: 異なる次元の空間間の様々な正の写像の集合を生成するための簡単なアプローチを提案する。提案手法は,$d_1 \times d_2$次元を特徴とするシステムに適したエンタングルメントウィットネスの構築を可能にする。また,これらの次元において,広い範囲の絡み合いウィットネスを直接生成するための代替論証も提示する。この方法では、選択された所望の測定集合のみからなる絡み合い証人を構成できる。具体例を用いて,本手法の有効性と一般性を示す。

関連論文リスト

Measuring Orthogonality in Representations of Generative Models [81.13466637365553]
教師なしの表現学習において、モデルは高次元データから低次元の学習表現に不可欠な特徴を蒸留することを目的としている。独立した生成過程の切り離しは、長い間、高品質な表現を生み出してきた。我々は、IWO(Importance-Weighted Orthogonality)とIWR(Importance-Weighted Rank)の2つの新しい指標を提案する。
論文参考訳（メタデータ） (2024-07-04T08:21:54Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文参考訳（メタデータ） (2023-10-30T21:27:53Z)
Wasserstein Projection Pursuit of Non-Gaussian Signals [8.789656856095947]
我々は、高次元データクラウドにおける興味深い特徴の$k$次元非ガウス部分空間における興味深い方向を見つけるという問題を考察する。生成モデルの下では、この未知の部分空間を近似する精度について厳密な統計的保証を証明している。我々の結果は,データ次元がサンプルサイズに匹敵する体制で機能する。
論文参考訳（メタデータ） (2023-02-24T15:36:51Z)
Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
論文参考訳（メタデータ） (2023-01-15T16:19:18Z)
Characterizing entanglement dimensionality from randomized measurements [0.0]
ランダム化方向における測定値間の相関を利用して, 絡み合いの次元性を検出する問題を考える。我々は、よく知られた絡み合いの基準に類似しているが、絡み合いの異なる次元の異なる境界を含む不等式を導出する。文献で利用可能な他の絡み合い次元の基準よりも厳密に多くの状態を検出することを示す。
論文参考訳（メタデータ） (2022-11-17T16:02:21Z)
Optimal Discriminant Analysis in High-Dimensional Latent Factor Models [1.4213973379473654]
高次元分類問題において、一般的に用いられるアプローチは、まず高次元の特徴を低次元空間に射影することである。我々は、この2段階の手順を正当化するために、隠れた低次元構造を持つ潜在変数モデルを定式化する。観測された特徴の特定の主成分(PC)を射影とする計算効率の良い分類器を提案する。
論文参考訳（メタデータ） (2022-10-23T21:45:53Z)
Intrinsic dimension estimation for discrete metrics [65.5438227932088]
本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
論文参考訳（メタデータ） (2022-07-20T06:38:36Z)
Indecomposable entanglement witnesses from symmetric measurements [0.0]
我々は最近導入された対称測定のクラスから構築された正の写像の族を提案する。これらの地図は、互いに偏見のない他の一般的なアプローチを含む絡み合いの証人を定義するために使用される。特定の興味は、正の部分的な転置を伴う量子状態の絡み合いを検出するために使用できる、分解不能な目撃者に与えられる。
論文参考訳（メタデータ） (2022-02-08T18:20:04Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
Generating and detecting bound entanglement in two-qutrits using a family of indecomposable positive maps [0.0]
2量子系に対する分解不能な正の写像を提案する。対応する証人演算子が構築され、弱最適であることが示される。我々は、他のよく知られた絡み検出基準では検出できない新しい絡み合い状態を見つける。
論文参考訳（メタデータ） (2020-08-29T12:52:27Z)

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。