論文の概要: Adversarial Stress Tests for Quantum Certification
- arxiv url: http://arxiv.org/abs/2603.12622v1
- Date: Fri, 13 Mar 2026 03:49:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-16 17:38:11.885855
- Title: Adversarial Stress Tests for Quantum Certification
- Title（参考訳）: 量子認証のための逆応力試験
- Authors: Veronica Sanz, Augusto Smerzi,
- Abstract要約: 古典的なベンチマークの明らかな違反は、真の非古典的な振る舞いを示唆する必要はない。
マーチンゲールセーフな低信頼境界に基づくプロトコルに依存しないアライメント原理を定式化する。
適応学習に基づく古典的エージェントは許容可能な古典的集合を拡大しないことを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a practical framework for semi-device-independent (SDI) certification under operational deviations from the ideal protocol model. Apparent violations of classical benchmarks need not signal genuinely non-classical behaviour; they can arise from misalignment between (i) the scoring rule, (ii) the finite-sample statistical bound applied to that score, and (iii) the operational model realised in the experiment, including bias, memory, drift, and selection effects. We formalise a protocol-agnostic alignment principle based on a martingale-safe lower confidence bound and an operationally consistent effective classical ceiling. This yields a quantitative diagnostic, the \emph{robustness gap} $Δ_{\mathrm{rob}} = S_{\mathrm{low}} - S_{C,\mathrm{eff}}$, which separates statistical fluctuations from structural modelling errors. Statistical deviations vanish asymptotically, whereas model misalignment can produce persistent false certification unless the benchmark is corrected. Using the $2\!\to\!1$ random access code as a minimal SDI testbed, we show that postselection can inflate conditional scores, whereas unconditional scoring restores the correct operational meaning of the witness. We further show that adaptive learning-based classical agents do not enlarge the admissible classical set; rather, they recover the effective classical ceiling implied by the operational model. The resulting framework provides a systematic diagnostic for certification in realistic quantum communication and measurement settings with embedded classical control, adaptive processing, and nonideal data acquisition.
- Abstract（参考訳）: 我々は、理想的なプロトコルモデルから逸脱した運用下で、セミデバイス非依存(SDI)認証のための実用的なフレームワークを開発する。
古典的ベンチマークの明瞭な違反は、真の非古典的行動を示す必要はない。
(i)採点規則
(ii)そのスコアに適用される有限サンプル統計境界、及び
三 実験で実現した運用モデル(バイアス、記憶、ドリフト、選択効果)
我々は、マーチンゲールセーフな低信頼境界と運用上一貫した有効古典天井に基づいて、プロトコルに依存しないアライメント原理を定式化する。
これにより定量的な診断が得られ、$Δ_{\mathrm{rob}} = S_{\mathrm{low}} - S_{C,\mathrm{eff}}$ となる。
統計的偏差は漸近的に消えるが、モデルミスアライメントは、ベンチマークが修正されない限り、持続的な偽の認証を生成する。
2ドルだ!
やれ!
1$のランダムアクセスコードを最小限のSDIテストベッドとして,ポストセレクションが条件付きスコアをインフレーションできるのに対して,無条件スコアは証人の正しい操作的意味を復元することを示す。
さらに,適応学習に基づく古典的エージェントが許容可能な古典的集合を拡大しないことを示す。
結果として得られるフレームワークは、組み込み古典的制御、適応処理、非理想的データ取得による現実的な量子通信および測定設定の認証のための体系的な診断を提供する。
関連論文リスト
- Online Bayesian Imbalanced Learning with Bregman-Calibrated Deep Networks [0.7106986689736825]
本報告では、クラス優先の仮定から確率比の推定を分離する原則的フレームワークであるOBIL(TextitOnline Bayesian Im Balanced Learning)を提案する。
我々のアプローチは、ブレグマンの発散と適切なスコアリングルールとの確立された接続に基づいて、そのような損失で訓練されたディープネットワークが後続確率推定を生成することを示す。
これらの確率比の推定は、クラス事前およびコスト構造における任意の変化の下でも有効であり、最適なベイズ決定のためのしきい値調整のみを必要とすることを証明している。
論文 参考訳（メタデータ） (2026-02-08T21:23:00Z) - Explicit Uncertainty Modeling for Active CLIP Adaptation with Dual Prompt Tuning [51.99383151474742]
デュアルプロンプトチューニングに基づくアクティブCLIP適応のためのロバストな不確実性モデリングフレームワークを提案する。
提案手法は,同一のアノテーション予算の下で,既存のアクティブラーニング手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-02-04T09:01:55Z) - Another Fit Bites the Dust: Conformal Prediction as a Calibration Standard for Machine Learning in High-Energy Physics [0.0]
等角予測は任意の予測モデルを校正するための分布自由フレームワークを提供する。
回帰,二分分類,多クラス分類,異常検出,生成モデルなどに適用可能であることを示す。
我々は、コライダー物理における機械学習パイプラインの標準コンポーネントとして、共形校正を採用するべきであると論じる。
論文 参考訳（メタデータ） (2025-12-18T20:31:25Z) - Adaptive Off-Policy Inference for M-Estimators Under Model Misspecification [32.7750904494144]
本稿では,適応的に収集した帯域幅データを用いたM推定器の有効推定法を提案する。
この手法の主な要素は、適応データ収集によって誘導される分散を安定化するために、フレキシブルな機械学習アプローチを使用することである。
論文 参考訳（メタデータ） (2025-09-17T17:51:40Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - Prediction-Powered Causal Inferences [59.98498488132307]
予測型因果推論(PPCI)に焦点をあてる
まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。
次に、実験間での十分な表現制約伝達の妥当性を導入する。
論文 参考訳（メタデータ） (2025-02-10T10:52:17Z) - When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。
deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。
カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文 参考訳（メタデータ） (2023-07-06T04:13:57Z) - MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。
本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。
この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
論文 参考訳（メタデータ） (2022-09-26T12:04:49Z)
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。