論文の概要: Monotones in Resource Theories for Dynamical Decoupling

• arxiv url: http://arxiv.org/abs/2412.11595v1
• Date: Mon, 16 Dec 2024 09:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:56:18.108911
• Title: Monotones in Resource Theories for Dynamical Decoupling
• Title（参考訳）: 動的デカップリングのための資源理論におけるモノトン
• Authors: Graeme D. Berk, Simon Milz, Kavan Modi,
• Abstract要約: 修正された相対エントロピーに基づく資源定量化器を示し、それらが実際に資源理論において単調であることを証明する。 DDは時間的資源蒸留として理解でき, マルチスケール最適動的デカップリング法(MODD)によるノイズ低減は, 対応する非マルコビアン性モノトンの減少と一致する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In arXiv:2110.02613, we presented a generalised dynamical resource theory framework that enabled noise reduction techniques including dynamical decoupling (DD) to be studied. While this fundamental contribution remains correct, it has been found that the main resource quantifiers we employed to study these resource theories -- based on the relative entropies between Choi states of multitime processes -- are not monotonic under the allowed transformations. In this letter we detail modified relative entropy-based resource quantifiers, prove that they are indeed monotonic in our resource theories. We re-interpret our numerical results in terms of these new relative entropy monotones, arriving at the same empirical conclusions: DD can be understood as temporal resource distillation, and improvements to noise reduction via our multitimescale optimal dynamical decoupling (MODD) method coincide with a decrease in the corresponding non-Markovianity monotone.
• Abstract（参考訳）: arXiv:2110.02613では、動的疎結合(DD)を含むノイズ低減技術の研究を可能にする一般化された動的資源理論フレームワークを提示した。 この基本的な寄与は依然として正しいが、これらの資源理論の研究に用いた主要な資源量化器は、マルチタイムプロセスのChoi状態間の相対エントロピーに基づくもので、許容される変換の下では単調ではないことが判明した。 このレターでは、相対エントロピーに基づく資源量化器を詳細に修正し、それらが実際に資源理論において単調であることを証明する。 DDは時間的資源蒸留として理解でき、MODD法によるノイズ低減は、対応する非マルコビアン性モノトンの減少と一致する。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Provably Efficient Algorithm for Nonstationary Low-Rank MDPs [48.92657638730582]
  我々は,非定常RLを,遷移カーネルと報酬の両方が時間とともに変化するような,エピソードな低ランクMDPで調査する最初の試みを行っている。 本稿では,パラメータ依存型ポリシ最適化アルゴリズムである Portal を提案し,パラメータフリー版である Ada-Portal の Portal をさらに改良する。 両アルゴリズムとも,非定常性が著しく大きくない限り, Portal と Ada-PortAL はサンプリング効率が良く,サンプリング複雑性を伴う平均的動的準最適ギャップを任意に小さく得ることを示す。
  論文  参考訳（メタデータ） (2023-08-10T09:52:44Z)
• Stochastic Modified Equations and Dynamics of Dropout Algorithm [4.811269936680572]
  ドロップアウトはニューラルネットワークのトレーニングにおいて広く利用されている正規化技術である。 その基盤となるメカニズムと優れた能力を達成するための影響は、いまだに理解されていない。
  論文  参考訳（メタデータ） (2023-05-25T08:42:25Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• Spatio-temporally separable non-linear latent factor learning: an application to somatomotor cortex fMRI data [0.0]
  潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。 空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。 本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-26T21:30:22Z)
• Quantum Dynamical Resource Theory under Resource Non-increasing Framework [0.0]
  静的コヒーレンス資源理論における最大非コヒーレント演算(MIO)と非コヒーレント演算(IO)は動的コヒーレンスという意味で自由であることを示す。 また, 振幅減衰チャネルの解析計算を行い, 簡便な測定方法を提案する。
  論文  参考訳（メタデータ） (2022-03-13T04:19:01Z)
• Heavy-tailed denoising score matching [5.371337604556311]
  ランゲヴィン力学における複数のノイズレベルを連続的に初期化する反復的雑音スケーリングアルゴリズムを開発した。 実用面では、重み付きDSMを用いることで、スコア推定、制御可能なサンプリング収束、不均衡データセットに対するよりバランスのない非条件生成性能が改善される。
  論文  参考訳（メタデータ） (2021-12-17T22:04:55Z)
• Optimizing Information-theoretical Generalization Bounds via Anisotropic Noise in SGLD [73.55632827932101]
  SGLDにおけるノイズ構造を操作することにより,情報理論の一般化を最適化する。 低経験的リスクを保証するために制約を課すことで、最適なノイズ共分散が期待される勾配共分散の平方根であることを証明する。
  論文  参考訳（メタデータ） (2021-10-26T15:02:27Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。