論文の概要: Learning entanglement from tomography data: contradictory measurement importance for neural networks and random forests

• arxiv url: http://arxiv.org/abs/2505.03371v1
• Date: Tue, 06 May 2025 09:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.313442
• Title: Learning entanglement from tomography data: contradictory measurement importance for neural networks and random forests
• Title（参考訳）: トモグラフィーデータからの学習の絡み合い:ニューラルネットワークとランダム森林における矛盾測定の重要性
• Authors: Pavel Baláž, Mateusz Krawczyk, Jarosław Pawłowski, Katarzyna Roszak,
• Abstract要約: 2量子トモグラフィーデータからの絡み合いの定量化におけるニューラルネットワークとランダム森林の2つの機械学習手法の有効性について検討した。 ニューラルネットワークの精度は向上するが、2つの手法が予測に到達する方法は驚くほど異なる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the effectiveness of two distinct machine learning techniques, neural networks and random forests, in the quantification of entanglement from two-qubit tomography data. Although we predictably find that neural networks yield better accuracy, we also find that the way that the two methods reach their prediction is starkly different. This is seen by the measurements which arthe most important for the classification. Neural networks follow the intuitive prediction that measurements containing information about non-local coherences are most important for entanglement, but random forests signify the dominance of information contained in occupation measurements. This is because occupation measurements are necessary for the extraction of data about all other density matrix elements from the remaining measurements. The same discrepancy does not occur when the models are used to learn entanglement directly from the elements of the density matrix, so it is the result of the scattering of information and interdependence of measurement data. As a result, the models behave differently when noise is introduced to various measurements, which can be harnessed to obtain more reliable information about entanglement from noisy tomography data.
• Abstract（参考訳）: 本研究では,2量子トモグラフィーデータからの絡み合いの定量化において,ニューラルネットワークとランダムフォレストという2つの異なる機械学習手法の有効性について検討した。 ニューラルネットワークの方が精度が良いと予測できる一方で、2つの手法が予測に到達する方法が驚くほど異なることもわかりました。 これは、この分類において最も重要視される関節の計測によって見てとれる。 ニューラルネットワークは、非局所的コヒーレンスに関する情報を含む測定が絡み合う上で最も重要であるという直感的な予測に従うが、ランダムな森林は、占領計測に含まれる情報の優位性を示している。 これは、残りの測定結果から他のすべての密度行列要素に関するデータを抽出するために、占有測定が必要であるためである。 モデルが密度行列の要素から直接絡み合いを学習するときにも同じ相違が生じないので、情報の散乱と測定データの相互依存の結果である。 その結果、様々な測定値にノイズが導入された場合、モデルは異なる振る舞いをし、ノイズトモグラフィーデータからより信頼性の高い絡み合い情報を得ることができる。

関連論文リスト

• Unsupervised detection of semantic correlations in big data [47.201377047286215]
  本稿では,2進数として表される高次元データにおける意味的相関を検出する手法を提案する。 本研究では,データ記述に必要な独立座標の最小個数を定量化するデータセットの2値固有次元を推定する。 提案アルゴリズムは, いわゆる次元の呪いとは無関係であり, ビッグデータ解析に利用することができる。
  論文  参考訳（メタデータ） (2024-11-04T14:37:07Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Measuring Overfitting in Convolutional Neural Networks using Adversarial Perturbations and Label Noise [3.395452700023097]
  過度に適合したニューラルネットワークは、目に見えないデータに一般化するよりも、トレーニングデータのノイズを記憶する傾向がある。 本稿では,VGG と ResNet に基づくアーキテクチャにおけるオーバーフィッティング対策について紹介する。 モデルプール外における複数のCNNアーキテクチャの過適合度を測定することにより,提案手法の適用性を評価する。
  論文  参考訳（メタデータ） (2022-09-27T13:40:53Z)
• Estimating informativeness of samples with Smooth Unique Information [108.25192785062367]
  サンプルが最終的な重みを知らせる量と、重みによって計算される関数を知らせる量を測定します。 線形化ネットワークを用いてこれらの量の効率的な近似を行う。 本稿では,データセットの要約など,いくつかの問題に適用する。
  論文  参考訳（メタデータ） (2021-01-17T10:29:29Z)
• Malicious Network Traffic Detection via Deep Learning: An Information Theoretic View [0.0]
  本研究では,ホメオモルフィズムがマルウェアのトラフィックデータセットの学習表現に与える影響について検討する。 この結果から,学習された表現の詳細と,すべてのパラメータの多様体上で定義された特定の座標系は,関数近似とは全く異なることが示唆された。
  論文  参考訳（メタデータ） (2020-09-16T15:37:44Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)

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。