論文の概要: Efficient Identification the Inequivalence of Mutually Unbiased Bases via Finite Operators

• arxiv url: http://arxiv.org/abs/2512.04543v1
• Date: Thu, 04 Dec 2025 07:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.055839
• Title: Efficient Identification the Inequivalence of Mutually Unbiased Bases via Finite Operators
• Title（参考訳）: 有限演算子による相互不等式基底の不等式同定
• Authors: Jianxin Song, Zhen-Peng Xu, Changliang Ren,
• Abstract要約: MUBsサブセットの不等式を特定するための運用手法を提案する。 この方法により、MUBs同値類の量に対する普遍解析上界が得られる。 重要なことに、これらの上界と既存の下界の比較は、任意の次元のすべての MUBs 部分集合の正確な分類を決定することに成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The structural characterization of high-dimensional mutually unbiased bases (MUBs) by classifying MUBs subsets remains a major open problem. The existing methods not only fail to conclude on the exact classification, but also are severely limited by computational resources and suffer from the numerical precision problem. Here we introduce an operational approach to identify the inequivalence of MUBs subsets, which has less time complexity and entirely avoids the computational precision issues. For arbitrary MUBs subsets of $k$ elements in any prime dimension, this method yields a universal analytical upper bound for the amount of MUBs equivalence classes. By applying this method through simple iterations, we further obtain tighter classification upper bounds for any prime dimension $d\leq 37$. Crucially, the comparison of these upper bounds with existing lower bounds successfully determines the exact classification for all MUBs subsets in any dimension $d \leq 17$. We further extend this method to the case that the dimension is a power of prime number. This general and scalable framework for the classification of MUBs subsets sheds new light on related applications.
• Abstract（参考訳）: MUBs部分集合の分類による高次元相互バイアス基底 (MUBs) の構造的特徴は、依然として主要な開問題である。 既存の手法は正確な分類に失敗するだけでなく、計算資源によって著しく制限されており、数値精度の問題に悩まされている。 本稿では, MUBs サブセットの非等価性を同定する操作的手法を提案する。 任意の素次元における$k$要素の任意の MUBs 部分集合に対して、この方法は MUBs 同値類の量に対する普遍解析上界を与える。 簡単な反復を通してこの方法を適用することで、任意の素次元$d\leq 37$に対してより厳密な分類上界を得る。 重要なことに、これらの上界と既存の下界の比較は、任意の次元$d \leq 17$のすべての MUBs 部分集合の正確な分類を決定することに成功した。 この方法はさらに、次元が素数の和である場合に拡張する。 MUBsサブセットの分類のための汎用的でスケーラブルなフレームワークは、関連するアプリケーションに新たな光を当てている。

関連論文リスト

• Online Combinatorial Allocations and Auctions with Few Samples [9.675397292814122]
  本稿では,O(1)競合アルゴリズムの実現可能性について,基礎となる入札者分布から限られた数のサンプルにしかアクセスできないという現実的な制約の下で検討する。 最初の主な貢献は, サブモジュール/XOS評価のためのO(1)競合アルゴリズムを得るのに, 各入札者分布からのサンプルだけで十分であることを示している。
  論文  参考訳（メタデータ） (2024-09-17T11:43:55Z)
• Convergence and Complexity Guarantee for Inexact First-order Riemannian Optimization Algorithms [18.425648833592312]
  tBMM は $O(epsilon-2)$ 内の $ilon$-定常点に収束することを示す。 軽度反復の下では、全最適性ギャップが有界である場合、各反復においてサブプロブレムが解かれるときの結果は依然として保たれる。
  論文  参考訳（メタデータ） (2024-05-05T22:53:14Z)
• Towards exact algorithmic proofs of maximal mutually unbiased bases sets in arbitrary integer dimension [0.0]
  離散量子系におけるMUB(Mutually Unbiased Bases)の概念について検討する。 素数の和である次元$d$に対して、MUB集合を形成する最大$d+1$基底の集合が存在することが知られている。 しかし、素数の和ではない次元における MUB の最大数は分かっていない。
  論文  参考訳（メタデータ） (2023-09-21T18:00:42Z)
• Revisiting Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [85.51611950757643]
  IAC (Instance-Adaptive Clustering, インスタンス適応クラスタリング) を提案する。 IACは$ MathcalO(n, textpolylog(n) $の計算複雑性を維持しており、大規模問題に対してスケーラブルで実用的なものである。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Generalization Bounds for Stochastic Gradient Descent via Localized $\varepsilon$-Covers [16.618918548497223]
  本稿では,SGDの軌道に局在する新しい被覆手法を提案する。 このローカライゼーションは、境界数によって測定されるアルゴリズム固有のクラスタリングを提供する。 これらの結果は様々な文脈で導き出され、既知の最先端のラベルレートが向上する。
  論文  参考訳（メタデータ） (2022-09-19T12:11:07Z)
• Mean-based Best Arm Identification in Stochastic Bandits under Reward Contamination [80.53485617514707]
  本稿では,ギャップベースアルゴリズムと逐次除去に基づく2つのアルゴリズムを提案する。 具体的には、ギャップベースのアルゴリズムでは、サンプルの複雑さは定数要素まで最適であり、連続的な除去では対数因子まで最適である。
  論文  参考訳（メタデータ） (2021-11-14T21:49:58Z)
• Under-bagging Nearest Neighbors for Imbalanced Classification [63.026765294759876]
  我々は,不均衡な分類問題に対して,textitunder-bagging $k$-NN (textitunder-bagging $k$-NN) というアンサンブル学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-01T14:10:38Z)
• Fuzzy Clustering with Similarity Queries [56.96625809888241]
  ファジィ(fuzzy, soft objective)は、よく知られた$k$-means問題の一般化である。 クエリを少なくすることで、問題の解決が容易になる。
  論文  参考訳（メタデータ） (2021-06-04T02:32:26Z)
• Consistent Structured Prediction with Max-Min Margin Markov Networks [84.60515484036239]
  二項分類のためのマックスマージン法は、最大マージンマルコフネットワーク(M3N$)の名前で構造化予測設定まで拡張されている。 我々は、学習問題を"max-min"マージンの定式化で定義し、結果のメソッドmax-minマージンマルコフネットワーク(M4N$)を命名することで、そのような制限を克服する。 マルチクラス分類,順序回帰,シーケンス予測,ランキング実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-02T10:48:42Z)

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。