論文の概要: Distinguishing Graph States by the Properties of Their Marginals

• arxiv url: http://arxiv.org/abs/2406.09956v1
• Date: Fri, 14 Jun 2024 12:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-17 13:55:15.671950
• Title: Distinguishing Graph States by the Properties of Their Marginals
• Title（参考訳）: マージナルの性質によるグラフ状態の解消
• Authors: Lina Vandré, Jarn de Jong, Frederik Hahn, Adam Burchardt, Otfried Gühne, Anna Pappa,
• Abstract要約: グラフの辺構造に基づいて、計算が容易なLU不変量の族を導入する。 これらの不変量は、8量子ビット以下の全てのグラフ状態の全てのLU軌道と絡み合いクラスを一意に識別できることを示す。 また、より多くのノードを持つ絡み合いクラスの例についても論じる。
• 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: Graph states are a class of multi-partite entangled quantum states that are ubiquitous in many networking applications; the study of equivalence relations between graph states under local operations aims to provide methods to relate graph states in networked settings. The problem of determining local unitary (LU) equivalence of graph states is in NP, and it remains an open question if efficient general methods are possible. We introduce a family of easy-to-compute LU-invariants based on the marginal structure of the graphs that allow to rule out equivalence of graph states. We show that these invariants can uniquely identify all LU-orbits and entanglement classes of every graph state of 8 qubits or less and discuss how reliable the methods are for more qubit graph states. We also discuss examples of entanglement classes with more nodes, where their marginal structure does not allow us to tell them apart. Additionally, we generalise tools to test local clifford (LC) equivalence of graph states that work by condensing graphs into other graphs of smaller size. We show that statements on the equivalence of the smaller graphs (which are easier to compute) can be used to infer statements on the equivalence of the original, larger graphs.
• Abstract（参考訳）: グラフ状態は、多くのネットワークアプリケーションにおいてユビキタスであるマルチパーティの絡み合った量子状態のクラスである。 グラフ状態の局所ユニタリ(LU)同値性を決定する問題はNPにあり、効率的な一般法が可能であるかどうかは未解決のままである。 グラフ状態の同値性を排除できるグラフの辺構造に基づいて、計算が容易なLU不変量の族を導入する。 これらの不変量は、8キュービット以下のグラフ状態の全てのLU軌道と絡み合いクラスを一意に識別し、この方法がより多くのキュービットグラフ状態に対してどれだけ信頼できるかについて議論できることが示される。 また、より多くのノードを持つ絡み合いクラスの例についても論じる。 さらに、我々は、グラフをより小さなグラフに縮合させることによって機能するグラフ状態の局所的リフラード(LC)同値性をテストするツールを一般化する。 より小さいグラフの同値性に関するステートメント(計算が容易な)は、元のより大きなグラフの同値性に関するステートメントを推論するために使用できることを示す。

関連論文リスト

• Deciding Local Unitary Equivalence of Graph States in Quasi-Polynomial Time [0.0]
  グラフ状態の局所ユニタリ(LU)同値性を決定するために準多項式ランタイム$nlog_2(n)+O(1)$のアルゴリズムを記述する。 LU等価性は、指数的爆発を避けるために、擬多項式的に多くの線形方程式の系を解くことに還元されることを示す。
  論文  参考訳（メタデータ） (2025-02-10T15:34:41Z)
• Local equivalence of stabilizer states: a graphical characterisation [0.0]
  グラフ状態の基本的な性質は、局所補完を適用すると、原点と同じ絡み合いを表すグラフが得られることである。 この性質は、単純なグラフィカルな方法で非自明な量子特性を捉えるための基盤となった。 グラフ状態のLU等価性をグラフィカルに特徴付ける局所補完の一般化を導入する。
  論文  参考訳（メタデータ） (2024-09-30T10:51:15Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Fine-grained Graph Rationalization [51.293401030058085]
  グラフ機械学習のための微粒なグラフ合理化(FIG)を提案する。 私たちのアイデアは、入力ノード間のリッチなインタラクションを提供するセルフアテンションメカニズムによって推進されます。 実験では,実世界の7つのデータセットを対象とし,提案したFIGは,13のベースライン手法と比較して大きな性能上の優位性を示した。
  論文  参考訳（メタデータ） (2023-12-13T02:56:26Z)
• Multipartite Entanglement Distribution in Quantum Networks using Subgraph Complementations [9.32782060570252]
  量子ネットワーク上でグラフ状態を分散する新しい手法を提案する。 グラフ状態の分布は,部分グラフ補完システムによって特徴づけられることを示す。 任意のグラフ状態の分配に最適な部分グラフ補完演算の列を求める。
  論文  参考訳（メタデータ） (2023-08-25T23:03:25Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• The Foliage Partition: An Easy-to-Compute LC-Invariant for Graph States [0.0]
  本稿では,グラフ状態に対する計算容易なLC不変量である葉分割について紹介する。 グラフの葉にインスパイアされた我々の不変量は、葉、軸、双生児という観点で自然な図形表現を持つ。
  論文  参考訳（メタデータ） (2023-05-12T17:55:45Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• Graphon Pooling for Reducing Dimensionality of Signals and Convolutional Operators on Graphs [131.53471236405628]
  グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。 これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。 我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
  論文  参考訳（メタデータ） (2022-12-15T22:11:34Z)
• Efficient tensor network simulation of quantum many-body physics on sparse graphs [0.0]
  疎結合な基礎グラフ上に定義されたテンソルネットワーク状態について検討する。 メッセージパッシング推論アルゴリズムは、局所的な期待値の効率的な計算に繋がる可能性がある。
  論文  参考訳（メタデータ） (2022-06-09T18:00:03Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Partition and Code: learning how to compress graphs [50.29024357495154]
  まず、分割アルゴリズムがグラフを基本構造に分解し、これらを確率分布を学習する小さな辞書の要素にマッピングし、エントロピーエンコーダが表現をビットに変換する。 提案アルゴリズムは,非パラメトリックおよびパラメトリックグラフ圧縮器の異なるファミリーに対して,多種多様な実世界のネットワーク上で定量的に評価し,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-07-05T11:41:16Z)
• From Local Structures to Size Generalization in Graph Neural Networks [53.3202754533658]
  グラフニューラルネットワーク(GNN)は、さまざまなサイズのグラフを処理することができる。 特に小さなグラフから大きなグラフまで、サイズをまたいで一般化する能力は、まだよく理解されていない。
  論文  参考訳（メタデータ） (2020-10-17T19:36:54Z)
• Verification of graph states in an untrusted network [0.0]
  我々は、信頼できない情報源が生成し、おそらく不名誉な関係者のネットワーク間で共有されるグラフ状態の検証について検討する。 これは、様々な分散タスクに対するグラフ状態の適用の証明に影響を及ぼす。 有用なグラフ状態の大規模なファミリに対して,グローバルに効率的なプロトコルを提案する。
  論文  参考訳（メタデータ） (2020-07-26T13:17:21Z)
• Graph topology inference benchmarks for machine learning [16.857405938139525]
  本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。 我々はまた、文学において最も顕著な技法のいくつかを対比している。
  論文  参考訳（メタデータ） (2020-07-16T09:40:32Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• The Power of Graph Convolutional Networks to Distinguish Random Graph Models: Short Version [27.544219236164764]
  グラフ畳み込みネットワーク(GCN)はグラフ表現学習において広く使われている手法である。 サンプルグラフの埋め込みに基づいて異なるランダムグラフモデルを区別するGCNのパワーについて検討する。
  論文  参考訳（メタデータ） (2020-02-13T17:58:42Z)

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。