論文の概要: Unreasonable effectiveness of unsupervised learning in identifying Majorana topology

• arxiv url: http://arxiv.org/abs/2512.13825v1
• Date: Mon, 15 Dec 2025 19:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.458217
• Title: Unreasonable effectiveness of unsupervised learning in identifying Majorana topology
• Title（参考訳）: マヨナトポロジの同定における教師なし学習の有効性
• Authors: Jacob Taylor, Haining Pan, Sankar Das Sarma,
• Abstract要約: 教師なし学習では、ディープラーニングのためのトレーニングデータにはラベルがない。 我々はオートエンコーダを用いて、現実的な短絡ナノワイヤにおけるマヨラナ分割におけるラベルなしデータにより、トポロジカルと自明さの区別が可能になることを確かめる。 これはマヨラナナノワイヤのトポロジーを識別するのに有用なツールかもしれない。
• 参考スコア（独自算出の注目度）: 0.18206461789819073
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In unsupervised learning, the training data for deep learning does not come with any labels, thus forcing the algorithm to discover hidden patterns in the data for discerning useful information. This, in principle, could be a powerful tool in identifying topological order since topology does not always manifest in obvious physical ways (e.g., topological superconductivity) for its decisive confirmation. The problem, however, is that unsupervised learning is a difficult challenge, necessitating huge computing resources, which may not always work. In the current work, we combine unsupervised and supervised learning using an autoencoder to establish that unlabeled data in the Majorana splitting in realistic short disordered nanowires may enable not only a distinction between `topological' and `trivial', but also where their crossover happens in the relevant parameter space. This may be a useful tool in identifying topology in Majorana nanowires.
• Abstract（参考訳）: 教師なし学習では、ディープラーニングのためのトレーニングデータにはラベルがないため、アルゴリズムは有用な情報を識別するためにデータに隠されたパターンを発見せざるを得ない。 これは原則として、トポロジーが決定的な確認のために常に明らかな物理的方法(例えば、トポロジカル超伝導)で現れるとは限らないため、トポロジカル秩序を特定するための強力なツールとなる可能性がある。 しかし問題は、教師なし学習は難しい課題であり、巨大なコンピューティングリソースを必要とすることだ。 本研究は,「トポロジカル」と「自明」を区別するだけでなく,関連するパラメータ空間で相互に交叉が生じている場合にも,マヨラナ・スプリッティングにおけるラベルのないデータが有効であることを示すために,オートエンコーダを用いた教師なし学習と教師なし学習を組み合わせたものである。 これはマヨラナナノワイヤのトポロジーを識別するのに有用なツールかもしれない。

関連論文リスト

• Semi-supervised Segmentation of Histopathology Images with Noise-Aware Topological Consistency [11.783112213482632]
  TopoSemiSegは、ラベルのない画像からトポロジカル表現を学習する最初の半教師付き手法である。 教師と学生モデルの表現を整合させるため,雑音を考慮したトポロジカル整合性損失を導入する。 病理組織像データセットを用いた実験により,本手法の優位性を示した。
  論文  参考訳（メタデータ） (2023-11-28T03:04:35Z)
• URLOST: Unsupervised Representation Learning without Stationarity or Topology [26.010647961403148]
  定常性やトポロジの事前知識のない高次元データから学習する新しいフレームワークを提案する。 このモデルでは,学習可能な自己組織化層,スペクトルクラスタリング,マスク付きオートエンコーダを組み合わせる。 本研究は,生体視覚データ,一次視覚野からの神経記録,遺伝子発現を含む3種類のデータモダリティに対して有効性を評価する。
  論文  参考訳（メタデータ） (2023-10-06T18:00:02Z)
• What Can We Learn from Unlearnable Datasets? [107.12337511216228]
  学習不可能なデータセットは、ディープニューラルネットワークの一般化を防ぐことによって、データのプライバシを保護する可能性がある。 学習不可能なデータセットでトレーニングされたニューラルネットワークは、一般化には役に立たない単純なルールであるショートカットのみを学ぶと広く信じられている。 これとは対照的に,ネットワークは高いテスト性能を期待できる有用な特徴を実際に学習することができ,画像保護が保証されていないことを示唆している。
  論文  参考訳（メタデータ） (2023-05-30T17:41:35Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Unique properties of adversarially trained linear classifiers on Gaussian data [13.37805637358556]
  対人学習研究コミュニティは 対人摂動の根本原因を理解するために 顕著な進歩を遂げています 現実のデータセットに洞察が移ることを期待して、単純な問題に対する逆向きに頑健な学習理論を開発することが一般的である。 特に線形分類器を用いて、任意のレベルの逆汚職の下でガウスデータの二項分類問題を解くことは常に可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-06T14:06:38Z)
• Exploratory Machine Learning with Unknown Unknowns [60.78953456742171]
  本稿では,他のラベルと誤認識されたトレーニングデータに未知のクラスが存在するという,新たな問題設定について検討する。 本研究では,潜在的に隠蔽されたクラスを発見するために,機能空間を積極的に拡張することにより,学習データを調べ,調査する探索機械学習を提案する。
  論文  参考訳（メタデータ） (2020-02-05T02:06:56Z)

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。