論文の概要: Geometric Interpretation of Sensitivity to Structured Uncertainties in Spintronic Networks

• arxiv url: http://arxiv.org/abs/2501.13209v1
• Date: Wed, 22 Jan 2025 20:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:57:59.260581
• Title: Geometric Interpretation of Sensitivity to Structured Uncertainties in Spintronic Networks
• Title（参考訳）: スピントロニクスネットワークにおける構造不確かさに対する感度の幾何学的解釈
• Authors: Sean Patrick O'Neil, Edmond Jonckheere, Sophie Schirmer,
• Abstract要約: 我々は、差分感度が不確かさ(エラー)に明示的に依存していることを示す。 閉系の場合, 完全状態伝達という意味での理想的な性能は, 最適ロバスト性に必要かつ十分であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a geometric model of the differential sensitivity of the fidelity error for state transfer in a spintronic network based on the relationship between a set of matrix operators. We show an explicit dependence of the differential sensitivity on the fidelity (error), and we further demonstrate that this dependence does not require a trade-off between the fidelity and sensitivity. Rather, we prove that for closed systems, ideal performance in the sense of perfect state transfer is both necessary and sufficient for optimal robustness in terms of vanishing sensitivity. We demonstrate the utility of this geometric interpretation of the sensitivity by applying the model to explain the sensitivity versus fidelity error data in two examples.
• Abstract（参考訳）: 本稿では,行列演算子の集合間の関係に基づき,スピントロニクスネットワークにおける状態伝達に対する忠実度誤差の差分感度の幾何学的モデルを提案する。 我々は, 差分感度が不確かさ(エラー)に明示的に依存していることを示し, さらに, この依存が不確かさと感度のトレードオフを必要としないことを示す。 むしろ、クローズドシステムでは、完全状態伝達という意味での理想的な性能は、感度の消失という観点で最適ロバスト性に必要かつ十分であることを示す。 2つの例において、感度と忠実度誤差データを説明するためにモデルを適用することにより、この感度の幾何学的解釈の有用性を実証する。

関連論文リスト

• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• How are Prompts Different in Terms of Sensitivity? [50.67313477651395]
  本稿では,関数の感度に基づく包括的即時解析を提案する。 出力に対する入力トークンの関連性に異なるプロンプトがどう影響するかを実証的に示すために、勾配に基づく唾液度スコアを使用する。 本稿では, 感度推定をペナルティ項として組み込んだ感度認識復号法を標準グリーディ復号法で導入する。
  論文  参考訳（メタデータ） (2023-11-13T10:52:01Z)
• Analyzing and Unifying Robustness Measures for Excitation Transfer Control in Spin Networks [0.0]
  スピン鎖と環における単一励起伝達の忠実度を評価するためのログ感度とRIMの相関について検討した。 予測される誤差の差分感度は, RIMの差分感度と一致し, 予測値が誤差確率分布上にあることを示す。
  論文  参考訳（メタデータ） (2023-03-16T17:34:54Z)
• Robustness of Energy Landscape Control to Dephasing [0.0]
  対数感度関数によって測定された忠実度誤差のロバストさを,デフォーカスプロセスに解析する。 本研究で用いたログ感度計算は異なるが, どちらも, 重み付け誤差の対数感度が従来の性能とロバスト性とのトレードオフをもたらすことを示した。
  論文  参考訳（メタデータ） (2023-03-10T01:51:47Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Balancing Robustness and Sensitivity using Feature Contrastive Learning [95.86909855412601]
  堅牢性を促進する方法は、希少なパターンや表現不足パターンに対するモデルの感受性を損なう可能性がある。 本稿では,より高次文脈的有用性を持つ機能に対して,モデルにより敏感な特徴を与える機能コントラスト学習(FCL)を提案する。
  論文  参考訳（メタデータ） (2021-05-19T20:53:02Z)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)
• Tangent Space Sensitivity and Distribution of Linear Regions in ReLU Networks [0.0]
  我々は, 接空間における対角安定性を考察し, 安定度を特徴付けるために接空間感度を提案する。 フィードフォワード完全連結ReLUネットワークに対する計算容易な境界と経験的測度を導出する。 我々の実験は、単純な境界や測度でさえ経験的一般化ギャップと関連していることを示唆している。
  論文  参考訳（メタデータ） (2020-06-11T20:02:51Z)
• Quantum sensing networks for the estimation of linear functions [0.0]
  センサ間相関は、複数の線形関数の同時推定に使用される。 絡み合いは、非自明なグローバルな性質を推定するのに有害であることを示す。 この結果は,量子センサのネットワークにおける相関性を利用するための基礎となる。
  論文  参考訳（メタデータ） (2020-03-10T17:28:28Z)

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。