論文の概要: Robust Steerability Classification via Key Feature Extraction and Matrix Structure Preservation

• arxiv url: http://arxiv.org/abs/2606.04363v1
• Date: Wed, 03 Jun 2026 02:24:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.480085
• Title: Robust Steerability Classification via Key Feature Extraction and Matrix Structure Preservation
• Title（参考訳）: キー特徴抽出とマトリックス構造保存によるロバストステアビリティ分類
• Authors: Yutao Xin, Huixian Meng, Zhongyan Li, Pu Wang,
• Abstract要約: 量子ステアビリティ分類器の堅牢性を評価するためには、一般化能力が不可欠である。 本研究では,キー特徴抽出と行列構造保存の観点から,ロバストなステアビリティ分類について検討する。
• 参考スコア（独自算出の注目度）: 6.613831466698396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalization ability is essential for assessing the robustness of quantum steerability classifiers. In this work, we investigate robust steerability classification from the perspective of key feature extraction and matrix structure preservation. The dataset introduced in Phys. Rev. A 100, 022314 (2019) provides the training basis for the present work. With strictly unsteerable random states, T-diagonal states, and All-Versus-Nothing (AVN) states, we evaluate the generalization performance of support vector machines (SVMs), multilayer perceptrons (MLPs), and deep perceptron control classifiers(DPs) trained on full-information features. None of these classifiers perform consistently on T-diagonal or AVN states. Given that stochastic local operations and classical communication and local unitary transformations preserve steerability, we introduce a key feature that determines steerability. SVMs trained on this feature overcome the instability on T-diagonal states but still fail on AVN states. Moreover, this feature alone is insufficient for training robust neural-network-based steerability classifiers. Recognizing that flattening quantum states into one-dimensional vectors may destroy their intrinsic matrix structure, we introduce matrix versions of both features and train convolutional neural networks on them. The most robust overall performance among the tested classifiers is achieved only when the matrix structure is preserved and key features are extracted simultaneously. Finally, as an application, we employ the most robust classifiers to predict the number of projective measurements required to detect the steerability of axially symmetric states
• Abstract（参考訳）: 量子ステアビリティ分類器の堅牢性を評価するためには、一般化能力が不可欠である。 本研究では,キー特徴抽出と行列構造保存の観点から,ロバストなステアビリティ分類について検討する。 Physで導入されたデータセット。 A100,022314(2019)は、現在の作業のトレーニング基盤を提供する。 厳密な制御不能なランダム状態、T対角状態、オールヴァーサス・ノーシング状態(AVN)状態では、サポートベクトルマシン(SVM)、多層パーセプトロン(MLP)、深層パーセプトロン制御分類器(DP)の汎化性能を評価する。 これらの分類器のどれも、T-対角状態やAVN状態では一貫して機能しない。 確率的局所操作と古典的コミュニケーションと局所的ユニタリ変換はステアビリティを保ち、ステアビリティを決定する重要な特徴を導入する。 この機能でトレーニングされたSVMは、T対角状態の不安定性を克服するが、AVN状態では失敗する。 さらに、この機能だけでは、堅牢なニューラルネットワークベースのステアビリティ分類器のトレーニングには不十分である。 量子状態を1次元ベクトルに平らにすることで、固有行列構造が破壊される可能性があることを認識して、両方の特徴の行列版を導入し、畳み込みニューラルネットワークを訓練する。 テストされた分類器の中で最も堅牢な全体的な性能は、行列構造が保存され、キー特徴が同時に抽出される場合にのみ達成される。 最後に、最も頑健な分類器を用いて、軸対称状態の操舵性を検出するのに必要な射影測定回数を予測する。

関連論文リスト

• Machine Learning for Detecting Steering in Qutrit-Pair States [6.078568639689658]
  準定値プログラミングを用いて、キュートリット量子系におけるステアビリティ検出のためのデータセットを構築する。 応用として、等方性状態と部分的に絡み合った状態のステアビリティ境界を調べ、新しいステアビリティ状態を求める。
  論文  参考訳（メタデータ） (2025-02-17T02:28:05Z)
• A Random Matrix Theory Perspective on the Spectrum of Learned Features and Asymptotic Generalization Capabilities [30.737171081270322]
  完全に接続された2層ニューラルネットワークは、単一だが攻撃的な勾配降下ステップの後、ターゲット関数にどのように適応するかを検討する。 これは、2層ニューラルネットワークの一般化における特徴学習の影響を、ランダムな特徴や遅延トレーニング体制を超えて、はっきりと説明してくれる。
  論文  参考訳（メタデータ） (2024-10-24T17:24:34Z)
• Distributed Representations Enable Robust Multi-Timescale Symbolic Computation in Neuromorphic Hardware [3.961418890143814]
  本稿では,ロバストなマルチスケールダイナミックスをアトラクタベースRSNNに組み込むシングルショット重み学習方式について述べる。 対称自己解離重み行列を重畳することにより、有限状態機械をRSNN力学に組み込む。 この研究は、リカレントダイナミクスによる堅牢な記号計算をニューロモルフィックハードウェアに組み込むスケーラブルなアプローチを導入している。
  論文  参考訳（メタデータ） (2024-05-02T14:11:50Z)
• Towards Practical Control of Singular Values of Convolutional Layers [65.25070864775793]
  畳み込みニューラルネットワーク(CNN)の訓練は容易であるが、一般化誤差や対向ロバスト性といった基本的な特性は制御が難しい。 最近の研究では、畳み込み層の特異値がそのような解像特性に顕著に影響を及ぼすことが示された。 我々は,レイヤ表現力の著しく低下を犠牲にして,先行技術の制約を緩和するための原則的アプローチを提供する。
  論文  参考訳（メタデータ） (2022-11-24T19:09:44Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• Privacy-preserving machine learning with tensor networks [37.01494003138908]
  テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。 まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。 このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-02-24T19:04:35Z)
• Provably End-to-end Label-Noise Learning without Anchor Points [118.97592870124937]
  本稿では,アンカーポイントを使わずにラベルノイズ学習を実現するためのエンドツーエンドフレームワークを提案する。 提案フレームワークでは,クリーンなクラス後確率が十分に分散している場合,遷移行列を同定できる。
  論文  参考訳（メタデータ） (2021-02-04T03:59:37Z)
• Controllable Orthogonalization in Training DNNs [96.1365404059924]
  直交性はディープニューラルネットワーク(DNN)のトレーニングに広く用いられている。 本稿では,ニュートン反復(ONI)を用いた計算効率が高く,数値的に安定な直交化法を提案する。 本稿では,画像分類ネットワークの性能向上のために,最適化の利点と表現能力の低下との間に最適なトレードオフを与えるために,直交性を効果的に制御する手法を提案する。 また、ONIは、スペクトル正規化と同様に、ネットワークのリプシッツ連続性を維持することにより、GAN(Generative Adversarial Network)のトレーニングを安定化させることを示した。
  論文  参考訳（メタデータ） (2020-04-02T10:14:27Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。