論文の概要: Low resource entanglement classification from neural network interpretability

• arxiv url: http://arxiv.org/abs/2602.04366v1
• Date: Wed, 04 Feb 2026 09:42:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.46125
• Title: Low resource entanglement classification from neural network interpretability
• Title（参考訳）: ニューラルネットワークの解釈可能性に基づく低資源絡み合い分類
• Authors: A. García-Velo, R. Puebla, Y. Ban, E. Torrontegui, M. Paraschiv,
• Abstract要約: 絡み合いは量子情報と量子技術の中心的な資源である。 機械学習は有望な代替手段として登場し、不完全な測定データから絡み合う特徴を可能にする。 2量子状態と3量子状態の絡み合い分類のための統一的で解釈可能なフレームワークを提案する。
• 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: Entanglement is a central resource in quantum information and quantum technologies, yet its characterization remains challenging due to both theoretical complexity and measurement requirements. Machine learning has emerged as a promising alternative, enabling entanglement characterization from incomplete measurement data, however model interpretability remains a challenge. In this work, we introduce a unified and interpretable framework for SLOCC entanglement classification of two- and three-qubit states, encompassing both pure and mixed states. We train dense and convolutional neural networks on Pauli-measurement outcomes, provide design guidelines for each architecture, and systematically compare their performance across types of states. To interpret the models, we compute Shapley values to quantify the contribution of each measurement, analyze measurement-importance patterns across different systems, and use these insights to guide a measurement-reduction scheme. Accuracy-versus-measurement curves and comparisons with analytical entanglement criteria demonstrate the minimal resources required for reliable classification and highlight both the capabilities and limitations of Shapley-based interpretability when using machine learning models for entanglement detection and classification.
• Abstract（参考訳）: エンタングルメントは量子情報と量子技術の中心的な資源であるが、その特性は理論的な複雑さと測定要求の両方のために難しいままである。 機械学習は有望な代替手段として登場し、不完全な測定データから絡み合った特徴付けを可能にするが、モデル解釈性は依然として課題である。 本研究では,2量子状態と3量子状態の両方を包含するSLOCC絡み合い分類のための統一的・解釈可能なフレームワークを提案する。 パウリ測定結果に基づいて高密度・畳み込みニューラルネットワークをトレーニングし、各アーキテクチャの設計ガイドラインを提供し、その性能を多種多様な州で体系的に比較する。 モデルを解釈するために、各測定の寄与を定量化するためにShapley値を計算し、異なるシステムにまたがる測定重要パターンを分析し、これらの洞察を用いて測定重要パターンを導出する。 精度逆測定曲線と解析的絡み合い基準との比較は、信頼性の高い分類に必要な最小限のリソースを示し、絡み合い検出と分類に機械学習モデルを使用する場合のシェープリーベースの解釈可能性の能力と限界を強調している。

関連論文リスト

• A Multi-Resolution Benchmark Framework for Spatial Reasoning Assessment in Neural Networks [40.69150418258213]
  本稿では,ニューラルネットワークにおける空間推論能力の評価を目的とした,包括的なベンチマークフレームワークの定義に関する予備的な結果を示す。 このフレームワークは現在、nnU-Netの能力の研究に使われている。
  論文  参考訳（メタデータ） (2025-08-18T09:04:13Z)
• Detecting Entanglement in High-Spin Quantum Systems via a Stacking Ensemble of Machine Learning Models [0.0]
  本研究では,量子システムにおけるエンサンブル機械学習モデルの有効性を,量子システムにおけるエンタングルメントを推定するための信頼性とスケーラブルなアプローチとして検討した。 ニューラルネットワーク(NN)、XGBoost(XGB)、エクストラツリー(ET)を統合したアンサンブル回帰器を構築する。 積み重ねメタリアナーを用いたアンサンブルモデルでは,キャットブースト (CB) による頑健な性能を示し,異なる次元と状態タイプ間の負性率を正確に予測する。
  論文  参考訳（メタデータ） (2025-07-17T04:34:11Z)
• Saliency Assisted Quantization for Neural Networks [0.0]
  本稿では,学習期間中にリアルタイムな説明を提供することにより,深層学習モデルのブラックボックスの性質に対処する。 我々は資源制約に対処するために確立された量子化手法を用いる。 提案手法の有効性を評価するため,量子化が畳み込みニューラルネットワークの解釈可能性や精度に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-11-07T05:16:26Z)
• Nonlinear classification of neural manifolds with contextual information [6.292933471495322]
  本稿では,入力空間における遅延方向を文脈情報に関連付ける理論フレームワークを提案する。 我々は、多様体幾何学と文脈相関に依存する文脈依存多様体容量の正確な公式を導出する。 我々のフレームワークの表現性の向上は、階層階層の初期段階のディープネットワークにおける表現再構成を捉えるが、以前は分析にはアクセスできない。
  論文  参考訳（メタデータ） (2024-05-10T23:37:31Z)
• Evaluating quantum generative models via imbalanced data classification benchmarks [0.0]
  我々は、20種類の実世界のデータセットから適応したハイブリッド量子古典ニューラルネットワークから生成された合成データを解析する。 このアプローチを利用して問題の品質を解明し、量子古典的ハイブリッド生成モデルに適合する可能性が、多かれ少なかれ低い。
  論文  参考訳（メタデータ） (2023-08-21T16:46:36Z)
• Persistence-based operators in machine learning [62.997667081978825]
  永続性に基づくニューラルネットワークレイヤのクラスを導入します。 永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
  論文  参考訳（メタデータ） (2022-12-28T18:03:41Z)
• Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
  本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。 決定木を利用して,ロボット学習における絡み合いの要因を抽出する。 学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
  論文  参考訳（メタデータ） (2022-10-13T01:10:41Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Estimating informativeness of samples with Smooth Unique Information [108.25192785062367]
  サンプルが最終的な重みを知らせる量と、重みによって計算される関数を知らせる量を測定します。 線形化ネットワークを用いてこれらの量の効率的な近似を行う。 本稿では,データセットの要約など,いくつかの問題に適用する。
  論文  参考訳（メタデータ） (2021-01-17T10:29:29Z)

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。