論文の概要: A Penalty-Free Pipeline for Direct Quantum-Annealer Portfolio Optimization

• arxiv url: http://arxiv.org/abs/2605.17628v1
• Date: Sun, 17 May 2026 19:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.236583
• Title: A Penalty-Free Pipeline for Direct Quantum-Annealer Portfolio Optimization
• Title（参考訳）: 直接量子-アンネラーポートフォリオ最適化のためのペナルティフリーパイプライン
• Authors: Luis Lozano,
• Abstract要約: 直接量子アニーラーポートフォリオ最適化は、一般にD-Waveハードウェアに送信されるペナルティ符号化QUBOとして定式化される。 この標準定式化は、現在のデバイスでは失敗し、構造的理由を特定する。 期待したリターンから目的のみのQUBOを構築し、それをハードウェア上でサンプリングする。
• 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: Direct quantum-annealer portfolio optimization is commonly formulated as a penalty-encoded QUBO and submitted to D-Wave hardware. We show that this standard formulation fails on current devices and identify the structural reason: the cardinality penalty contributes a dense rank-one term proportional to the all-ones matrix that makes the logical interaction graph complete regardless of the covariance structure. On Pegasus and Zephyr, chain-break fractions reach 83 percent at N equal to 24 and 92 percent at N equal to 49, producing no feasible samples. Attempting to fix this through topology-aware sparsification reveals a second problem: any sparsifier that removes off-diagonal entries also dilutes the cardinality constraint, so raw samples remain infeasible even when chains no longer break, and an ablation shows that for structurally favorable cases such as betting with settlement-graph priors the classical feasibility projector alone explains the result rather than the QPU. We propose dropping the penalty entirely: build an objective-only QUBO from the expected returns and the risk-scaled covariance, sample it on hardware, and enforce the cardinality constraint classically as a post-processing step. On D-Wave Advantage and Advantage2 for equities up to N equal to 49 and betting up to N equal to 48, mean chain-break fractions per sample averaged over reads drop from the range of 71 to 92 percent down to at most 0.04 percent. The QPU returns lower-energy feasible portfolios than the greedy heuristic on betting at N equal to 39 and 48, which is an energy comparison and not a proof of optimality, and the equity post-processed regret is at most 0.03 percent at all tested scales. These results establish that the penalty encoding, not the sparse hardware topology, is the binding constraint for direct QPU portfolio optimization at currently accessible scales.
• Abstract（参考訳）: 直接量子アニーラーポートフォリオ最適化は、通常、ペナルティエンコードされたQUBOとして定式化され、D-Waveハードウェアに提出される。 濃度ペナルティは、共分散構造によらず論理的相互作用グラフを完全化するオールワン行列に比例する高位1の項に寄与する。 ペガサスとゼファーでは、チェーンブレイク率はNで83%、Nで24%、Nで92%に達し、49に等しい。 対角成分を除去するスペーサーもまた濃度制約を希釈するので、鎖が壊れない場合でも原サンプルは実現不可能であり、アブレーションは、決済グラフに先立って賭けるような構造上有利なケースでは、古典的なファシリティプロジェクタだけがQPUよりも結果を説明できることを示している。 期待されるリターンとリスクスケールの共分散から目的のみのQUBOを構築し、それをハードウェア上でサンプリングし、古典的に後処理のステップとして濃度制約を強制する。 D-Wave Advantage and Advantage2 for equities to N equal to 49 and betting up to 48, mean chain-break fractions per sample averaged over read drop from the range 71 to 922% down to at least 0.04%。 QPUは、エネルギー比較であり最適性の証明ではないNを39と48と同等に賭ける強欲なヒューリスティックよりも低エネルギーで実現可能なポートフォリオを返却する。 これらの結果から,スパースハードウェアトポロジではなくペナルティ符号化が,現在アクセス可能なスケールでの直接QPUポートフォリオ最適化のバインディング制約であることが確認された。

関連論文リスト

• Where the Quantum Lives in D-Wave Hybrid Portfolio Optimization [0.0]
  我々は、D-Waveのハイブリッド量子古典的ポートフォリオ最適化サービスが実際にどれだけ量子的であるかを監査する。 制約ネイティブのLeapHybridCQMサービスは、Gurobiが最適なことを証明している54のインスタンスすべてにおいて、Gurobiが証明した最適値と一致する。
  論文  参考訳（メタデータ） (2026-05-17T19:41:17Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Direct Bethe Free Energy Minimization for Bayesian Neural Network [0.0]
  我々は,変分下界を最大化するのではなく,Bethe自由エネルギーを直接最小化してベイズニューラルネットワークを訓練することを提案する。 木構造因子グラフ上では、Bethe自由エネルギーは正確であり、決定論的層は目的から外れ、標準のバックプロパゲーションによって訓練される。 すべての変種は、アンサンブルやサンプリングベースの手法とは対照的に、MAP等価な推論コストで閉形式予測を許容する。
  論文  参考訳（メタデータ） (2026-05-08T20:12:48Z)
• Geometric Properties of the Voronoi Tessellation in Latent Semantic Manifolds of Large Language Models [0.0]
  Qwen3.5-4B-Base上での表現多様体上のボロノイテッセルレーション ヴォロノワ・テッセルレーションはマージンリファインメント法により緩和可能であることを示す。
  論文  参考訳（メタデータ） (2026-04-08T07:36:04Z)
• Brief Is Better: Non-Monotonic Chain-of-Thought Budget Effects in Function-Calling Language Agents [0.25891009512378166]
  思考の連鎖 (CoT) 推論は, エージェント性能を向上させることが広く想定されている。 機能呼び出しエージェントに対するCOT予算効果の系統的研究を行った。 我々の中心的な発見は、Qwen2.5-1.5B-Instruct: brief reasoning (32 tokens) における顕著な非単調パターンである。
  論文  参考訳（メタデータ） (2026-04-02T15:25:13Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• BPDQ: Bit-Plane Decomposition Quantization on a Variable Grid for Large Language Models [56.504879072674015]
  本稿では,ビットプレーンとスカラー係数による可変量子化グリッドを構成するビットプレーン分解量子化(BPDQ)を提案する。 BPDQは、1つのGTX 3090上でQwen2.5-72Bを83.85%のGSM8Kの精度で提供できる(ただし16ビットでは90.83%)。
  論文  参考訳（メタデータ） (2026-02-04T02:54:37Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)
• Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
  ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。 認証精度は5.78%,44.96%,43.19%であった。
  論文  参考訳（メタデータ） (2020-06-01T05:55:18Z)

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。