論文の概要: Monogamy of Mutual Information in Graph States

• arxiv url: http://arxiv.org/abs/2511.19585v1
• Date: Mon, 24 Nov 2025 19:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.112779
• Title: Monogamy of Mutual Information in Graph States
• Title（参考訳）: グラフ状態における相互情報のモノガミー
• Authors: Jesus Fuentes, Cynthia Keeler, William Munizzi, Jason Pollack,
• Abstract要約: 相互情報の独占は、三部情報の非肯定性を強制する。 グラフ状態におけるMMIの故障を,禁じられたサブグラフ現象として検討する。 MMIの失敗はスコープ内のケースでは再現できないことが分かりました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The monogamy of mutual information (MMI) is a quantum entropy inequality that enforces the non-positivity of tripartite information. We investigate the failure of MMI in graph states as a forbidden-subgraph phenomenon, conjecturing that every MMI-violating graph state is local-Clifford equivalent to one whose graph contains a four-star subgraph. We construct a family of star-like graphs whose states fail a specific class of MMI instances, and extend this analysis to general star topologies. Deriving adjacency matrix constraints that fix the MMI evaluation for these instances and interpreting them physically, we prove the forbidden-subgraph conjecture for this family of graphs. Finally, through an exhaustive search over graph representatives for all $8$-qubit stabilizer entropy vectors, we establish that MMI failure is not reducible to the cases within our scope.
• Abstract（参考訳）: 相互情報のモノガミー(英: monogamy of mutual information, MMI)とは、三部情報の非正の非正則を強制する量子エントロピーの不等式である。 グラフ状態におけるMMIの故障を禁止されたサブグラフ現象として検討し、全てのMMI違反グラフ状態が局所クリフォードであり、グラフが4つ星のサブグラフを含むものと同値であることを示す。 我々は、状態が特定のMMIインスタンスのクラスに失敗する星に似たグラフの族を構築し、この解析を一般的な星位相に拡張する。 これらの例に対するMMI評価を固定し、それらを物理的に解釈する隣接行列制約を導出し、このグラフの族に対する禁断グラフ予想を証明した。 最後に、全8$-qubit安定化器エントロピーベクトルのグラフ代表を網羅的に探索することにより、MMI故障はスコープ内のケースでは再現できないことを証明した。

関連論文リスト

• Markov Missing Graph: A Graphical Approach for Missing Data Imputation [0.6015898117103067]
  我々は、無向グラフに基づいて欠落データを暗示するフレームワークであるMarkov missing graph (MMG)を紹介する。 本稿では,PAI 下での柔軟な統計学習パラダイム MMG 計算リスク最小化を提案し,その計算タスクを経験的リスク最小化問題とみなす。 シミュレーション実験により本手法の有効性を示し,実世界のアルツハイマー病データセットを用いてその応用例を示す。
  論文  参考訳（メタデータ） (2025-09-03T15:38:36Z)
• Distinguishing Graph States by the Properties of Their Marginals [0.0]
  局所ユニタリ(LU)下におけるグラフ状態の同値関係について検討する。 これらの不変量は、最大8キュービットまでの全てのグラフ状態の絡み合いクラスを一意に識別することを示す。 我々は、大きなグラフをより小さなグラフに凝縮することで機能するグラフ状態の局所クリフォード(LC)同値性をテストするツールを一般化する。
  論文  参考訳（メタデータ） (2024-06-14T12:03:10Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Extended Graph Assessment Metrics for Graph Neural Networks [13.49677006107642]
  回帰タスクと連続隣接行列のための拡張グラフアセスメントメトリクス(GAM)を導入する。 異なる医学集団グラフと異なる学習環境下で、これらの指標とモデル性能の相関関係を示す。
  論文  参考訳（メタデータ） (2023-07-13T13:55:57Z)
• Graph Fourier MMD for Signals on Graphs [67.68356461123219]
  本稿では,グラフ上の分布と信号の間の新しい距離を提案する。 GFMMDは、グラフ上で滑らかであり、期待差を最大化する最適な目撃関数によって定義される。 グラフベンチマークのデータセットと単一セルRNAシークエンシングデータ解析について紹介する。
  論文  参考訳（メタデータ） (2023-06-05T00:01:17Z)
• Personalized Subgraph Federated Learning [56.52903162729729]
  本稿では,新たなサブグラフFL問題,パーソナライズされたサブグラフFLを導入する。 本稿では,Federated Personalized sUBgraph Learning (FED-PUB)を提案する。 オーバーラップしないサブグラフとオーバーラップするサブグラフの両方を考慮して,FED-PUBのサブグラフFL性能を6つのデータセットで検証した。
  論文  参考訳（メタデータ） (2022-06-21T09:02:53Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。