論文の概要: Exploring the holographic entropy cone via reinforcement learning

• arxiv url: http://arxiv.org/abs/2601.19979v1
• Date: Tue, 27 Jan 2026 19:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.625238
• Title: Exploring the holographic entropy cone via reinforcement learning
• Title（参考訳）: 強化学習によるホログラフィックエントロピーコーンの探索
• Authors: Temple He, Jaeha Lee, Hirosi Ooguri,
• Abstract要約: 我々はホログラフィックエントロピーコーンを研究するための強化学習アルゴリズムを開発した。 我々は、すべての既知のホログラフィックエントロピーの不等式を満たすがグラフ実現に欠けるarXiv:2412.15364から、部分付加性円錐の6つの「ミステリー」極端光線を解析する。
• 参考スコア（独自算出の注目度）: 0.29494468099506893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a reinforcement learning algorithm to study the holographic entropy cone. Given a target entropy vector, our algorithm searches for a graph realization whose min-cut entropies match the target vector. If the target vector does not admit such a graph realization, it must lie outside the cone, in which case the algorithm finds a graph whose corresponding entropy vector most nearly approximates the target and allows us to probe the location of the facets. For the $\sf N=3$ cone, we confirm that our algorithm successfully rediscovers monogamy of mutual information beginning with a target vector outside the holographic entropy cone. We then apply the algorithm to the $\sf N=6$ cone, analyzing the 6 "mystery" extreme rays of the subadditivity cone from arXiv:2412.15364 that satisfy all known holographic entropy inequalities yet lacked graph realizations. We found realizations for 3 of them, proving they are genuine extreme rays of the holographic entropy cone, while providing evidence that the remaining 3 are not realizable, implying unknown holographic inequalities exist for $\sf N=6$.
• Abstract（参考訳）: 我々はホログラフィックエントロピーコーンを研究するための強化学習アルゴリズムを開発した。 対象のエントロピーベクトルが与えられた場合、我々のアルゴリズムは、ターゲットのベクトルと最小カットエントロピーが一致するグラフの実現を探索する。 対象ベクトルがそのようなグラフ実現を認めない場合、それはコーンの外側に置かれなければならない。この場合、アルゴリズムは対応するエントロピーベクトルがターゲットに最も近いグラフを見つけ、ファセットの位置を探索することができる。 提案アルゴリズムは, ホログラフィックエントロピー円錐の外側のターゲットベクトルから始まる相互情報のモノガミーの再検討に成功した。 次に、このアルゴリズムを$\sf N=6$の錐体に適用し、グラフ実現に欠けるすべてのホログラフィックエントロピーの不等式を満たすarXiv:2412.15364から、部分付加性錐体の6つの「ミステリー」極端光線を解析する。 そのうちの3つは真のホログラフィックエントロピー円錐の極端光線であることを証明し、残りの3つが実現不可能であることを示すとともに、未知のホログラフィック不等式が$\sf N=6$に対して存在することを示唆している。

関連論文リスト

• On the construction of graph models realizing given entropy vectors [0.0]
  本稿では,与えられたエントロピーベクトルを実現するホログラフィック単純木グラフモデルを構築するための効率的なアルゴリズムを提案する。 我々は相関ハイパーグラフのツールキットを開発し、特に粗粒化とサブシステムの微細粒化に関連している。
  論文  参考訳（メタデータ） (2025-12-21T11:38:17Z)
• Online Network Inference from Graph-Stationary Signals with Hidden Nodes [31.927912288598467]
  本稿では,隠れノードの存在を考慮したオンライングラフ推定手法を提案する。 次に、ストリーミング不完全グラフ信号からのグラフ学習のための凸最適化問題を定式化する。
  論文  参考訳（メタデータ） (2024-09-13T12:09:09Z)
• Unifying quantum spatial search, state transfer and uniform sampling on graphs: simple and exact [2.871419116565751]
  本稿では,量子ウォークの交互化による新しい,簡潔なアルゴリズムフレームワークを提案する。 量子空間探索、状態移動、および大規模なグラフの均一サンプリングを統一する。 このアプローチは、グラフのラプラシア固有値集合の深さにのみ依存する簡潔な形式性を持っているため、簡単に利用できる。
  論文  参考訳（メタデータ） (2024-07-01T06:09:19Z)
• A Differentially Private Clustering Algorithm for Well-Clustered Graphs [6.523602840064548]
  このようなグラフに特化された効率的な(epsilon,$delta$)-DPアルゴリズムを提供する。 我々のアルゴリズムは、ほぼバランスの取れたクラスタに対して$k$のグラフを扱う。
  論文  参考訳（メタデータ） (2024-03-21T11:57:16Z)
• A Theoretical Analysis Of Nearest Neighbor Search On Approximate Near Neighbor Graph [51.880164098926166]
  グラフベースのアルゴリズムは、近隣探索(NN-Search)問題において最先端の性能を示す。 グラフベースのNN-Searchアルゴリズムには実践と理論のギャップがある。 低次元および高密度ベクトルに対する ANN-Graph 上の欲求探索による NN-Search の解法を理論的に保証する。
  論文  参考訳（メタデータ） (2023-03-10T21:18:34Z)
• A Near-Optimal Best-of-Both-Worlds Algorithm for Online Learning with Feedback Graphs [21.563733343861713]
  フィードバックグラフを用いたオンライン学習は、学習者のフィードバックが行動集合上の有向グラフによって決定されるシーケンシャルな意思決定フレームワークである。 本稿では,このフレームワークで学習するための計算効率のよいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-01T15:14:32Z)
• k-Means Maximum Entropy Exploration [55.81894038654918]
  余分な報酬を伴う連続空間での探索は、強化学習におけるオープンな問題である。 本研究では, 状態訪問分布のエントロピーに対する近似値の低界化に基づく人工好奇性アルゴリズムを提案する。 提案手法は,高次元連続空間における探索のためのベンチマークにおいて,計算効率と競合性の両方を示す。
  論文  参考訳（メタデータ） (2022-05-31T09:05:58Z)
• 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 Entropy Guided Node Embedding Dimension Selection for Graph Neural Networks [74.26734952400925]
  ノード埋め込み次元選択(NEDS)のための最小グラフエントロピー(MinGE)アルゴリズムを提案する。 ミンゲは、グラフ上の特徴エントロピーと構造エントロピーの両方を考えており、それらはそれらのリッチな情報の特徴に従って慎重に設計されている。 ベンチマークデータセット上で人気のグラフニューラルネットワーク(GNN)を用いた実験は,提案したMinGEの有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2021-05-07T11:40:29Z)
• Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
  我々は高密度サブグラフ発見のための新しい学習問題を導入する。 まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。 そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-06-24T11:37:33Z)

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。