論文の概要: Quantum Advantage in Non-Interactive Source Simulation
- arxiv url: http://arxiv.org/abs/2402.00242v1
- Date: Wed, 31 Jan 2024 23:50:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 16:59:40.306500
- Title: Quantum Advantage in Non-Interactive Source Simulation
- Title(参考訳): 非インタラクティブソースシミュレーションにおける量子アドバンテージ
- Authors: Hojat Allah Salehi, Farhad Shirani and S. Sandeep Pradhan
- Abstract要約: NISSのシナリオには2つのバリエーションがある。
二項出力NASのシナリオでは、実現可能な分布の集合は互いに等しく、したがってこれらのEA-NISSのシナリオには量子的優位性はない。
非バイナリ出力NASのシナリオでは、EA-NISSでは可能だがCR-NISSでは不可能な分布が存在するという例で示される。
- 参考スコア(独自算出の注目度): 8.116440665901344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work considers the non-interactive source simulation problem (NISS). In
the standard NISS scenario, a pair of distributed agents, Alice and Bob,
observe a distributed binary memoryless source $(X^d,Y^d)$ generated based on
joint distribution $P_{X,Y}$. The agents wish to produce a pair of discrete
random variables $(U_d,V_d)$ with joint distribution $P_{U_d,V_d}$, such that
$P_{U_d,V_d}$ converges in total variation distance to a target distribution
$Q_{U,V}$. Two variations of the standard NISS scenario are considered. In the
first variation, in addition to $(X^d,Y^d)$ the agents have access to a shared
Bell state. The agents each measure their respective state, using a measurement
of their choice, and use its classical output along with $(X^d,Y^d)$ to
simulate the target distribution. This scenario is called the
entanglement-assisted NISS (EA-NISS). In the second variation, the agents have
access to a classical common random bit $Z$, in addition to $(X^d,Y^d)$. This
scenario is called the classical common randomness NISS (CR-NISS). It is shown
that for binary-output NISS scenarios, the set of feasible distributions for
EA-NISS and CR-NISS are equal with each other. Hence, there is not quantum
advantage in these EA-NISS scenarios. For non-binary output NISS scenarios, it
is shown through an example that there are distributions that are feasible in
EA-NISS but not in CR-NISS. This shows that there is a quantum advantage in
non-binary output EA-NISS.
- Abstract(参考訳): 本研究は非インタラクティブソースシミュレーション問題(NISS)について考察する。
NISSの標準的なシナリオでは、分散エージェントのペアであるAliceとBobは、共同分布の$P_{X,Y}$に基づいて生成された分散バイナリメモリレスソース$(X^d,Y^d)$を観測する。
エージェントは、一対の離散確率変数 $(u_d,v_d)$ とジョイント分布 $p_{u_d,v_d}$ を生成したいので、$p_{u_d,v_d}$ は、目標分布 $q_{u,v}$ に総変動距離収束する。
NISSのシナリオには2つのバリエーションがある。
最初のバリエーションでは、$(X^d,Y^d) に加えて、エージェントは共有の Bell 状態にアクセスすることができる。
エージェントはそれぞれの状態を測定し、それぞれの選択を計測し、その古典的な出力と$(X^d,Y^d)$を使ってターゲット分布をシミュレートする。
このシナリオは絡み合い支援NIS(EA-NISS)と呼ばれる。
第2のバリエーションでは、エージェントは$(X^d,Y^d)$に加えて古典的な共通乱数ビット$Z$にアクセスできる。
このシナリオは古典的共通ランダムネス NISS (CR-NISS) と呼ばれる。
バイナリ出力NASのシナリオでは、EA-NISSとCR-NISSの可能な分布の集合は互いに等しいことが示されている。
したがって、これらのEA-NISSシナリオには量子的優位性はない。
非バイナリ出力NASのシナリオでは、EA-NISSでは可能だがCR-NISSでは不可能な分布が存在する。
これは、非バイナリ出力EA-NISSに量子的優位性が存在することを示している。
関連論文リスト
- Out-of-Distribution Detection using Maximum Entropy Coding [4.7768369720936255]
離散分布について、決定的な答えは原理的にはランダムネスのコルモゴロフ=マルティン=Lによって与えられる。
我々は、双方向生成ネットワークを用いて、データを潜在空間の標準分布に変換し、そこで最大エントロピー符号化を使用する。
論文 参考訳(メタデータ) (2024-04-25T20:28:43Z) - Experimental lower bounds on entanglement entropy without twin copy [0.0]
断熱的に調製した地盤状態の実験的測定と関連するシャノンエントロピー$S_ABX$を計算した。
良い近似では$S_AvNpropto (2S_AX-S_ABX)$が1よりわずかに大きい例を示す。
論文 参考訳(メタデータ) (2024-04-15T17:02:17Z) - Role of Locality and Weight Sharing in Image-Based Tasks: A Sample Complexity Separation between CNNs, LCNs, and FCNs [42.551773746803946]
視覚タスクは局所性と翻訳不変性の特性によって特徴づけられる。
これらのタスクにおける畳み込みニューラルネットワーク(CNN)の優れた性能は、そのアーキテクチャに埋め込まれた局所性や重み付けの帰納的バイアスに起因する。
CNNにおけるこれらのバイアスの統計的利点を、局所連結ニューラルネットワーク(LCN)と完全連結ニューラルネットワーク(FCN)で定量化しようとする試みは、以下のカテゴリに分類される。
論文 参考訳(メタデータ) (2024-03-23T03:57:28Z) - On Non-Interactive Simulation of Distributed Sources with Finite Alphabets [2.2927938232020373]
本研究では,非インタラクティブソースシミュレーション(NISS)問題に対するフーリエ解析フレームワークを提案する。
2つの分散エージェントは、共同分布$P_XdYd$に従って描画されたシーケンスのペア$Xd$と$Yd$を観測する。
エージェントは、出力を$U=f_d(Xd)$と$V=g_d(Yd)$にし、目標分布を$Q_UV$に十分近いジョイント分布を生成する。
論文 参考訳(メタデータ) (2024-03-01T21:23:08Z) - Collaborative non-parametric two-sample testing [55.98760097296213]
目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。
グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。
提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
論文 参考訳(メタデータ) (2024-02-08T14:43:56Z) - TIC-TAC: A Framework To Learn And Evaluate Your Covariance [119.82937345718378]
State-of-the-art method predict the mean $f_theta(x)$ and covariance $textrmCov(f_theta(x))$ of the target distribution through the two neural network using the negative log-likelihood。
1)予測共分散は予測平均のランダム性を真に捉えているのか?
論文 参考訳(メタデータ) (2023-10-29T09:54:03Z) - Stochastic Approximation Approaches to Group Distributionally Robust
Optimization [96.26317627118912]
群分散ロバスト最適化(GDRO)
オンライン学習技術は、各ラウンドに必要なサンプル数をm$から1$に減らし、同じサンプルを保持する。
分布依存収束率を導出できる重み付きGDROの新規な定式化。
論文 参考訳(メタデータ) (2023-02-18T09:24:15Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳(メタデータ) (2022-10-13T17:18:59Z) - Identity Testing for High-Dimensional Distributions via Entropy
Tensorization [4.370097023410272]
我々は,n$次元分布の同一性テスト問題に対して,改良されたアルゴリズムと,統計的および計算的下界の整合性を示す。
同一性テスト問題では、明示的な分布 $mu$, $varepsilon>0$, and access to a sample oracle for a hidden distribution $pi$ が与えられる。
エントロピーの近似テンソル化として知られる解析的性質が可視分布の$mu$に対して成り立つならば、$tildeO(n/vareps)を使用する隠された$pi$に対して効率的なアイデンティティテストアルゴリズムが存在することを証明している。
論文 参考訳(メタデータ) (2022-07-19T06:49:24Z) - On the Generative Utility of Cyclic Conditionals [103.1624347008042]
2つの条件付きモデル$p(x|z)$を用いて、共同分布$p(x,z)$をモデル化できるかどうか、また、どのようにしてサイクルを形成するかを検討する。
本稿では,周期条件生成モデリングのためのCyGenフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-30T10:23:45Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳(メタデータ) (2020-02-25T19:18:36Z)
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。