Fugu-MT 論文翻訳(概要): Improving probabilistic error cancellation in the presence of non-stationary noise

論文の概要: Improving probabilistic error cancellation in the presence of non-stationary noise

arxiv url: http://arxiv.org/abs/2404.13269v2
Date: Tue, 9 Jul 2024 16:37:45 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 23:31:18.798419
Title: Improving probabilistic error cancellation in the presence of non-stationary noise
Title（参考訳）: 非定常雑音下での確率的誤差キャンセルの改善
Authors: Samudra Dasgupta, Travis S. Humble,
Abstract要約: 非定常雑音の存在下でのPEC安定性と精度を高めるための戦略を設計する。 Bernstein-Vazirani アルゴリズムを5ビット実装し,ibm_kolkata デバイス上で行った実験では,精度が42%向上し,安定性が60%向上した。
参考スコア（独自算出の注目度）: 0.1227734309612871
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We investigate the stability of probabilistic error cancellation (PEC) outcomes in the presence of non-stationary noise, which is an obstacle to achieving accurate observable estimates. Leveraging Bayesian methods, we design a strategy to enhance PEC stability and accuracy. Our experiments using a 5-qubit implementation of the Bernstein-Vazirani algorithm and conducted on the ibm_kolkata device reveal a 42% improvement in accuracy and a 60% enhancement in stability compared to non-adaptive PEC. These results underscore the importance of adaptive estimation processes to effectively address non-stationary noise, vital for advancing PEC utility.
Abstract（参考訳）: 非定常雑音の存在下での確率的誤差キャンセル(PEC)結果の安定性について検討する。ベイズ法を利用して,PECの安定性と精度を向上させる戦略を設計する。我々は,Bernstein-Vazirani アルゴリズムを5ビット実装し,ibm_kolkata デバイス上で行った実験により,非適応型 PEC と比較して精度が 42% 向上し,安定性が60% 向上したことを明らかにした。これらの結果は,PECの活用に不可欠である非定常雑音に効果的に対処するための適応推定プロセスの重要性を浮き彫りにした。

関連論文リスト

Using dynamic loss weighting to boost improvements in forecast stability [0.9332308328407303]
ローリング起点予測不安定性(ローリング起点予測不安定性)とは、予測の更新によって生じる特定の期間の予測における変動をいう。本稿では, 動的損失重み付けアルゴリズムを適用して, 精度を損なうことなく, さらなる安定性向上が達成できるかどうかを実験的に検討する。
論文参考訳（メタデータ） (2024-09-26T20:21:46Z)
Identity Curvature Laplace Approximation for Improved Out-of-Distribution Detection [4.779196219827508]
不確実性推定は、ロバストなアウト・オブ・ディストリビューション検出が不可欠である安全クリティカルなアプリケーションにおいて重要である。伝統的なベイズ法は有効ではあるが、しばしば高い計算要求によって妨げられる。本稿では,従来の補間法に挑戦する新しい手法であるICLA(Identity Curvature Laplace Approximation)を紹介する。
論文参考訳（メタデータ） (2023-12-16T14:46:24Z)
Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文参考訳（メタデータ） (2023-12-07T15:55:58Z)
Adaptive mitigation of time-varying quantum noise [0.1227734309612871]
現在の量子コンピュータは、高いエラー率の非定常ノイズチャネルに悩まされている。チャネル条件の変化に応じて量子ノイズを学習・緩和するベイズ推論に基づく適応アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-16T01:33:07Z)
Impact of unreliable devices on stability of quantum computations [0.1227734309612871]
ノイズの多い中間スケール量子(NISQ)デバイスは、量子コンピューティングのテテットをテストする上で価値のあるプラットフォームである。これらのデバイスは、非コヒーレンス、リーク、クロストーク、その他のノイズ源によるエラーの影響を受けやすい。ここでは、所定の許容範囲内で安定した結果を生成するために必要な条件を評価することにより、NISQ装置の信頼性を定量化する。
論文参考訳（メタデータ） (2023-07-13T17:53:42Z)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
Sample Efficient Deep Reinforcement Learning via Uncertainty Estimation [12.415463205960156]
モデルフリー深部強化学習(RL)アルゴリズムでは、ノイズ値推定を用いて政策評価と最適化を監督し、サンプル効率を損なう。 RLで発生するノイズ管理における不確実性の原因を系統的に分析する。本稿では,2つの相補的不確実性推定手法がQ値と環境の両方を考慮し,ノイズ管理の負の影響を緩和する手法を提案する。
論文参考訳（メタデータ） (2022-01-05T15:46:06Z)
Analyzing and Improving the Optimization Landscape of Noise-Contrastive Estimation [50.85788484752612]
ノイズコントラスト推定(NCE)は、非正規化確率モデルを学習するための統計的に一貫した手法である。ノイズ分布の選択がNCEの性能に不可欠であることが実験的に観察されている。本研究では,不適切な雑音分布を用いた場合,NCEの性能低下の原因を正式に指摘する。
論文参考訳（メタデータ） (2021-10-21T16:57:45Z)
Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文参考訳（メタデータ） (2021-05-17T08:36:18Z)
The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文参考訳（メタデータ） (2020-11-03T12:11:27Z)
Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。