論文の概要: Hardware Validation of DAGI via a Modular "Ridge" Signature and High-Order Synergistic Information

• arxiv url: http://arxiv.org/abs/2604.15051v1
• Date: Thu, 16 Apr 2026 14:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.941905
• Title: Hardware Validation of DAGI via a Modular "Ridge" Signature and High-Order Synergistic Information
• Title（参考訳）: モジュール型"ライダー"信号と高次シナジスティック情報によるDAGIのハードウェア検証
• Authors: Petr Sramek,
• Abstract要約: IBM Quantumハードウェア上でのDAGI(Directed Acyclic Graph Information)フレームワーク。 理想的な出力分布が低次元モジュラー多様体(リッジ)に制約される小さな制御された実験 キーリカバリはチャンスを超えた:ショット毎の精度0.1689(チャンス0.125,95% Wilson CI[0.1610, 0.1772]) これらの結果は、DAGIが非自明でハードウェアに耐性のある情報構造を検出し、定量化するという主張を支持する。
• 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 report a hardware validation of the DAGI (Directed Acyclic Graph Information) framework on IBM Quantum hardware using a small, controlled experiment whose ideal output distribution is constrained to a low-dimensional modular manifold (a "ridge"). For two $n$-bit registers $(u,v)$ with $n=4$ (modulus 16), each key instance $k$ induces an ideal relation $v \equiv k \cdot u \pmod{16}$, producing a visually distinct ridge in the joint $(u, v)$ distribution. Executed on ibm\_torino in a single Sampler V2 job (8 keys, 1024 shots/key, $N=8192$ total shots), the ridge persists under hardware noise with ridge-hit probability $p_{hit} = 0.1830$ (uniform baseline $1/16$), corresponding to a ridge contrast of $2.93\times$ (95\% bootstrap CI [2.80, 3.06]). Key recovery exceeds chance: per-shot accuracy 0.1689 (chance 0.125, 95\% Wilson CI [0.1610, 0.1772]), and per-group dictionary recovery 0.375 (chance 0.125). To test the central DAGI hypothesis -- that recoverable key information is predominantly high-order/synergistic rather than visible in low-order marginals -- we compute a Möbius-based information decomposition of $I(K;D_S)$ over detector-bit subsets $S$ via a Möbius inversion pipeline and evaluate targeted positive synergy $CPS_K$ at order $k_{max}=3$. We observe $CPS_K(k=3) = 0.08788$ with significance under label-shuffle permutation tests (accuracy $p=0.001996$, $CPS_K$ $p=0.004975$). Uniformity diagnostics show near-uniform single-bit marginals while correlation concentrates in specific low-order pairs, and a bootstrap reliability sweep confirms order-3 targeted synergy remains statistically reliable at the full 1024-shot target budget. These results support the claim that DAGI detects and quantifies nontrivial, hardware-resilient, higher-order information structure associated with a known global algebraic constraint.
• Abstract（参考訳）: 理想的な出力分布が低次元モジュラー多様体(リッジ)に制約される小さな制御実験を用いて,IBM量子ハードウェア上でのDAGI(Directed Acyclic Graph Information)フレームワークのハードウェア検証を行った。 2つの$n$-bitレジスタ$(u,v)$と$n=4$(modulus 16)の場合、各キーインスタンス$k$は理想的関係$v \equiv k \cdot u \pmod{16}$を誘導し、ジョイント$(u, v)$分布において視覚的に異なる尾根を生成する。 単一のSamper V2ジョブ(8キー、1024ショット/キー、N=8192$トータルショット)でibm\_torinoにエクスカレートされたリッジは、リッジ-ヒット確率$p_{hit} = 0.1830$(ユニフォームベースライン$/16$)でハードウェアノイズの下で持続する(2.93\times$(95\%ブートストラップCI[2.80, 3.06]))。 主要なリカバリは、ショット毎の精度 0.1689 (チャンス 0.125, 95\% Wilson CI [0.1610, 0.1772]) とグループ毎の辞書リカバリ 0.375 (チャンス 0.125) である。 中央DAGI仮説をテストする -- 回復可能な鍵情報は低次の辺境で見られるのではなく、主に高次/シネルジスティックである -- 我々は、Möbiusベースの情報分解を$I(K;D_S)$で計算し、Möbiusの逆変換パイプラインを介して$S$を計算し、ターゲット正のシナジーを$CPS_K$でオーダー$k_{max}=3$で評価する。 CPS_K(k=3) = 0.08788$ はラベルシャッフル置換試験(精度$p=0.00 1996$,$CPS_K$$p=0.004975$)で重要となる。 均一性診断では、ほぼ一様の単一ビットの辺縁が示され、相関関係は特定の低次対に集中し、ブートストラップ信頼性スイープでは、1024ショットの目標予算全体において、目標シナジーのオーダー3が統計的に信頼されていることを確認している。 これらの結果は、DAGIが既知のグローバル代数的制約に関連する非自明で、ハードウェアに耐性のある高次情報構造を検出し、定量化するという主張を支持する。

関連論文リスト

• Bayesian Modeling of Collatz Stopping Times: A Probabilistic Machine Learning Perspective [0.0]
  経験的に、$(n)$ はスキュー数で非常に分散した数であり、算術的不均一性を示す。 我々は2つの補完モデルを開発する。 奇ブロック分解に基づく機械論的近似は、ディリクレ・マルチノミカル更新による校正近似をもたらす。 ホールドアウトデータでは、NB2-GLMは奇ブロック発生器よりも予測確率がかなり高い。
  論文  参考訳（メタデータ） (2026-03-04T17:16:49Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
  ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。 本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。 Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
  論文  参考訳（メタデータ） (2025-12-14T09:43:03Z)
• Convergence Analysis of Probability Flow ODE for Score-based Generative Models [5.939858158928473]
  確率フローODEに基づく決定論的サンプリング器の収束特性を理論的・数値的両面から検討する。 連続時間レベルでは、ターゲットと生成されたデータ分布の総変動を$mathcalO(d3/4delta1/2)$で表すことができる。
  論文  参考訳（メタデータ） (2024-04-15T12:29:28Z)
• Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
  本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。 各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。 第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2023-02-18T09:24:15Z)
• An Improved Analysis of Gradient Tracking for Decentralized Machine Learning [34.144764431505486]
  トレーニングデータが$n$エージェントに分散されるネットワーク上での分散機械学習を検討する。 エージェントの共通の目標は、すべての局所損失関数の平均を最小化するモデルを見つけることである。 ノイズのない場合、$p$を$mathcalO(p-1)$から$mathcalO(p-1)$に改善します。
  論文  参考訳（メタデータ） (2022-02-08T12:58:14Z)
• The Sample Complexity of Robust Covariance Testing [56.98280399449707]
  i. i. d. 形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。 汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。 サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
  論文  参考訳（メタデータ） (2020-12-31T18:24:41Z)

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。