論文の概要: Sample importance for data-driven decoding

• arxiv url: http://arxiv.org/abs/2505.22741v1
• Date: Wed, 28 May 2025 18:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.460403
• Title: Sample importance for data-driven decoding
• Title（参考訳）: データ駆動デコードにおけるサンプルの重要性
• Authors: Evan Peters,
• Abstract要約: 単純なエラー訂正コードのDDDは、ノイズの多い不均衡なバイナリ分類問題と等価であることを示す。 複数ラウンドのシンドローム測定を含む量子符号の復号化に関する同様の改善を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Data-driven decoding (DDD) -- learning to decode syndromes of (quantum) error-correcting codes using training examples -- can be a difficult problem due to several atypical and poorly understood properties of the training data. We introduce a theory of example importance that clarifies these unusual aspects of DDD: For instance, we show that DDD of a simple error-correcting code is equivalent to a noisy, imbalanced binary classification problem. This suggests that an existing data augmentation technique -- turning the knob to increase error rates in training data -- actually introduces a tradeoff between class imbalance and label noise. We apply this technique in experiments showing robust improvements to decoder accuracy while explaining the failures of this technique in terms of example importance. We show similar improvements for decoding quantum codes involving multiple rounds of syndrome measurements and we characterize example importance in random stabilizer codes, suggesting broad applicability of both example importance and turning the knob for improving experimentally relevant data-driven decoders.
• Abstract（参考訳）: データ駆動型デコーディング(DDD) -- トレーニング例を使って(量子)エラー訂正コードのシンドロームをデコードする学習 -- は、トレーニングデータの非定型的で理解されていないいくつかの特性のため、難しい問題である。 例えば、単純なエラー訂正コードのDDDは、うるさい、不均衡なバイナリ分類問題と等価であることを示す。 これは、既存のデータ拡張技術 -- ノブをトレーニングデータのエラー率を増加させる — が、実際には、クラス不均衡とラベルノイズのトレードオフを導入していることを示唆している。 本稿では,デコーダの精度が向上することを示す実験において,本手法の故障を例題として説明しながら,この手法を適用した。 複数ラウンドのシンドローム測定を含む量子符号の復号化に類似した改善点を示し、ランダムな安定化器符号におけるサンプル重要度を特徴付けるとともに、サンプル重要度を広く適用し、実験的に関連するデータ駆動デコーダを改善するためにknobを反転させることを示唆する。

関連論文リスト

• Testing the Accuracy of Surface Code Decoders [55.616364225463066]
  大規模でフォールトトレラントな量子計算は量子エラー訂正符号(QECC)によって実現される 本研究は,QECC復号方式の精度と有効性をテストするための最初の体系的手法である。
  論文  参考訳（メタデータ） (2023-11-21T10:22:08Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Autoencoder-based Anomaly Detection in Streaming Data with Incremental Learning and Concept Drift Adaptation [10.41066461952124]
  ドリフト検出(strAEm++DD)を用いた自動エンコーダに基づく漸進学習手法を提案する。 提案手法は,逐次学習とドリフト検出の両方の利点を利用する。 我々は,重度あるいは極度のクラス不均衡を持つ実世界のデータセットと合成データセットを用いて実験を行い,StraAEm++DDの実証分析を行った。
  論文  参考訳（メタデータ） (2023-05-15T19:40:04Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Discrete Key-Value Bottleneck [95.61236311369821]
  ディープニューラルネットワークは、データストリームがi.d.d.であり、ラベル付きデータが豊富である分類タスクでうまく機能する。 この課題に対処した強力なアプローチの1つは、手軽に利用可能なデータ量に対する大規模なエンコーダの事前トレーニングと、タスク固有のチューニングである。 しかし、新しいタスクを考えると、多くの重みを微調整する必要があるため、エンコーダの重みを更新することは困難であり、その結果、以前のタスクに関する情報を忘れてしまう。 この問題に対処するモデルアーキテクチャを提案し,個別かつ学習可能なキー値符号のペアを含む離散的ボトルネックの上に構築する。
  論文  参考訳（メタデータ） (2022-07-22T17:52:30Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-09T01:09:59Z)
• Performance of teleportation-based error correction circuits for bosonic codes with noisy measurements [58.720142291102135]
  テレポーテーションに基づく誤り訂正回路を用いて、回転対称符号の誤り訂正能力を解析する。 マイクロ波光学における現在達成可能な測定効率により, ボソニック回転符号の破壊ポテンシャルは著しく低下することが判明した。
  論文  参考訳（メタデータ） (2021-08-02T16:12:13Z)
• Towards Stable Imbalanced Data Classification via Virtual Big Data Projection [3.3707422585608953]
  深層オートエンコーダ訓練と不均衡データ分類に対処するVBDの能力について検討する。 まず、VBDは、膨大な多様なトレーニングデータを提供することで、オートエンコーダのバリデーション損失を著しく低減できることを示す。 第2に、オーバーサンプリングを伴わないスキュートクラス分布のバランスをとるために、クロスコンカニエーションと呼ばれる最初のプロジェクションベース手法を提案する。
  論文  参考訳（メタデータ） (2020-08-23T04:01:51Z)

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。