Fugu-MT 論文翻訳(概要): Estimating detector error models from syndrome data

論文の概要: Estimating detector error models from syndrome data

arxiv url: http://arxiv.org/abs/2504.14643v1
Date: Sun, 20 Apr 2025 14:56:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-29 21:07:15.084076
Title: Estimating detector error models from syndrome data
Title（参考訳）: シンドロームデータを用いた検出誤差モデルの推定
Authors: Robin Blume-Kohout, Kevin Young,
Abstract要約: 本稿では,個別のDEMイベントの確率,およびDEMイベントの集合クラスを,複数のシンドローム抽出サイクルのデータを用いて推定する方法を示す。本稿では,個別のDEMイベントの確率,およびDEMイベントの集合クラスを,複数のシンドローム抽出サイクルのデータを用いて推定する方法を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Protecting quantum information using quantum error correction (QEC) requires repeatedly measuring stabilizers to extract error syndromes that are used to identify and correct errors. Syndrome extraction data provides information about the processes that cause errors. The collective effects of these processes can be described by a detector error model (DEM). We show how to estimate probabilities of individual DEM events, and of aggregated classes of DEM events, using data from multiple cycles of syndrome extraction.
Abstract（参考訳）: 量子誤り訂正(QEC)を用いて量子情報を保護するには、繰り返し測定し、誤りを特定し、修正するために使用されるエラー症候群を抽出する必要がある。シンドローム抽出データは、エラーを引き起こすプロセスに関する情報を提供する。これらのプロセスの集合的影響は、検出器エラーモデル(DEM)によって説明できる。本稿では,個別のDEMイベントの確率,およびDEMイベントの集合クラスを,複数のシンドローム抽出サイクルのデータを用いて推定する方法を示す。

関連論文リスト

Estimating decoding graphs and hypergraphs of memory QEC experiments [0.49109372384514843]
ハイパーグラフを含む検出器誤差モデルにおけるパウリノイズを,シンドローム統計のみを用いて推定する。実験で典型的に発生する雑音変動に対してデコーダを校正すると,論理誤差の抑制が増加する。
論文参考訳（メタデータ） (2025-04-28T19:25:22Z)
Robust Variable Selection for High-dimensional Regression with Missing Data and Measurement Errors [0.0]
そこで本研究では、ミスや測定誤差データに適用するために、チューニングパラメータを持つ指数損失関数を提案する。逆確率重み付けと加算度エラーモデルを用いて、欠落データや測定誤差に対処する。乳癌のデータセットを用いて本症例を検証した。
論文参考訳（メタデータ） (2024-10-22T06:07:01Z)
Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
論文参考訳（メタデータ） (2024-06-24T04:17:03Z)
Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文参考訳（メタデータ） (2023-05-17T09:37:07Z)
On Calibrating Diffusion Probabilistic Models [78.75538484265292]
拡散確率モデル(DPM)は様々な生成タスクにおいて有望な結果を得た。そこで本研究では,任意の事前学習DPMを校正する簡単な方法を提案する。キャリブレーション法は1回だけ行い, 得られたモデルをサンプリングに繰り返し使用することができる。
論文参考訳（メタデータ） (2023-02-21T14:14:40Z)
Witnessing entanglement in trapped-ion quantum error correction under realistic noise [41.94295877935867]
量子誤り補正(Quantum Error Correction, QEC)は、論理情報を複数の物理量子ビットに符号化することで冗長性を利用する。トラップイオンプラットフォームで使用される2量子光シフトゲートの平均ゲート不忠実度を推定するために,詳細な顕微鏡誤差モデルを提案する。次に、この現実的な誤差モデルを適用し、QECビルディングブロックとして機能する回路によって生成されるマルチパーティントの絡み合いを定量化する。
論文参考訳（メタデータ） (2022-12-14T20:00:36Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2021-11-04T22:38:18Z)
Detecting Faults during Automatic Screwdriving: A Dataset and Use Case of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
論文参考訳（メタデータ） (2021-07-05T11:46:00Z)
Wildcard error: Quantifying unmodeled errors in quantum processors [0.0]
量子コンピューティングプロセッサのエラーモデルは、理想的な振る舞いから逸脱し、アプリケーションにおける結果を予測する。パラメータ化ワイルドカード誤りモデルを用いて誤りモデルを増大させることにより,不整合を解消し,非モデル誤差率を定量化する方法を示す。データとの整合性を取り戻すのに必要なワイルドカードエラーの量は、どれだけの非モデル化エラーが観測されたかを定量化する。
論文参考訳（メタデータ） (2020-12-22T18:22:08Z)
Out-Of-Bag Anomaly Detection [0.9449650062296822]
データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
論文参考訳（メタデータ） (2020-09-20T06:01:52Z)
Multiple Imputation with Denoising Autoencoder using Metamorphic Truth and Imputation Feedback [0.0]
データの内部表現を学習するために,Denoising Autoencoder を用いた多重命令モデルを提案する。我々は、属性の統計的整合性を維持するために、変成真理と帰納フィードバックの新たなメカニズムを用いる。提案手法は,多くの標準的なテストケースにおいて,様々な欠落メカニズムや欠落したデータのパターンに対するインパルスの効果を検証し,他の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-02-19T18:26:59Z)

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。