論文の概要: Genuine multipartite entanglement verification with convolutional neural networks

• arxiv url: http://arxiv.org/abs/2508.13463v1
• Date: Tue, 19 Aug 2025 02:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.774158
• Title: Genuine multipartite entanglement verification with convolutional neural networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた遺伝子多部絡み合いの検証
• Authors: Yi-Jun Luo, Xuan Leng, Chengjie Zhang,
• Abstract要約: 我々は、GMEを検出するために、畳み込みニューラルネットワーク(CNN)と、圧縮励起(SE)で強化されたCNNを用いる。 半定値プログラミング手法を用いて、4から6キュービットのGME状態と4から20キュービットのGHZ対角状態とをランダムに生成した。
• 参考スコア（独自算出の注目度）: 0.9558392439655012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the detection of genuine multipartite entanglement (GME) via machine learning has received scant attention. Here, we employ convolutional neural networks (CNNs), as well as CNNs enhanced with squeeze-and-excitation (SE) to detect GME. We randomly generated GME states with 4 to 6 qubits and GHZ-diagonal states ranging from 4 to 20 qubits using the semidefinite programming approach. Subsequently, we assessed their classification accuracy. Our results demonstrate that the integration of the SE module significantly improved training performance. Additionally, we conducted an analysis of false positive and false negative occurrences. Utilizing our training data, we have substantially reduced the likelihood of incorrectly classifying non-entangled states as entangled.
• Abstract（参考訳）: 近年,機械学習による真のマルチパーティ・エンタングルメント(GME)の検出が注目されている。 ここでは、GMEを検出するために、畳み込みニューラルネットワーク(CNN)と、圧縮・励起(SE)で強化されたCNNを用いる。 半定値プログラミング手法を用いて、4から6キュービットのGME状態と4から20キュービットのGHZ対角状態とをランダムに生成した。 その後,分類精度を評価した。 この結果,SEモジュールの統合によりトレーニング性能が大幅に向上したことがわかった。 さらに,偽陽性および偽陰性事象の分析を行った。 トレーニングデータを利用することで、非絡み合った状態が絡み合った状態として誤って分類される可能性を大幅に減らした。

関連論文リスト

• Unfolding Local Growth Rate Estimates for (Almost) Perfect Adversarial Detection [22.99930028876662]
  畳み込みニューラルネットワーク(CNN)は、多くの知覚的タスクにおける最先端のソリューションを定義する。 現在のCNNアプローチは、システムを騙すために特別に作られた入力の敵の摂動に対して脆弱なままである。 本稿では,ネットワークの局所固有次元(LID)と敵攻撃の関係について,最近の知見を生かした,シンプルで軽量な検出器を提案する。
  論文  参考訳（メタデータ） (2022-12-13T17:51:32Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• A Mixed Integer Programming Approach for Verifying Properties of Binarized Neural Networks [44.44006029119672]
  BNN検証のための混合整数計画法を提案する。 我々は,MNISTデータセットと航空機衝突回避制御器を用いて訓練したBNNの特性を検証することによって,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2022-03-11T01:11:29Z)
• Efficient and Robust Classification for Sparse Attacks [34.48667992227529]
  我々は、画像認識、自然言語処理、マルウェア検出の領域において効果的な攻撃として示されてきた$ell$-normで束縛された摂動を考える。 我々は,「トランケーション」と「アドリアル・トレーニング」を組み合わせた新しい防衛手法を提案する。 得られた洞察に触発され、これらのコンポーネントをニューラルネットワーク分類器に拡張する。
  論文  参考訳（メタデータ） (2022-01-23T21:18:17Z)
• Neural Network Branch-and-Bound for Neural Network Verification [26.609606492971967]
  本稿では,効率的な分岐戦略を設計するための新しい機械学習フレームワークを提案する。 グラフ入力として検証したいネットワークを直接扱う2つのグラフニューラルネットワーク(GNN)を学習する。 我々のGNNモデルは、より大きな未確認ネットワーク上での厳しい特性に対してよく一般化されていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:42:57Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural Networks via Guided Distribution Calibration [74.5509794733707]
  本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。 提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。 提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
  論文  参考訳（メタデータ） (2021-02-17T18:59:28Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。