論文の概要: Quantum enhanced rare event discovery and sampling

• arxiv url: http://arxiv.org/abs/2606.06316v1
• Date: Thu, 04 Jun 2026 15:54:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.923123
• Title: Quantum enhanced rare event discovery and sampling
• Title（参考訳）: 量子化による希少事象の発見とサンプリング
• Authors: Naixu Guo, Po-Wei Huang, Qisheng Wang, Jayne Thompson, Patrick Rebentrost, Mile Gu, Chengran Yang,
• Abstract要約: 金融上のクラッシュ、インフラストラクチャのカスケード障害、AIシステムの重大なエラーは、非常に小さな確率で発生するイベントによって頻繁に引き起こされる。 本稿では,希少な事象を学習することなく,希少な発見とサンプリングを行う量子アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 13.209522738002972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial crashes, cascading failures in infrastructure, and critical errors in AI systems are frequently triggered by events that occur with extremely small probability. Efficiently discovering and sampling events with probability below a threshold is therefore of critical interest. Yet this task is highly non-trivial using existing classical or quantum methods. Being rare, such events require an immense sampling overhead to collect sufficient data samples. Moreover, because the rare events are not known in advance, they cannot be flagged for amplification using standard techniques. Here, we introduce a quantum algorithm for rare-event discovery and sampling without first learning which events are rare. The algorithm achieves the optimal quantum scaling with the rarity threshold. We further demonstrate that this can achieve a quadratic speedup for heavy-tailed systems whose tail has nonvanishing total mass, and translates into a robust polynomial speedup for stationary stochastic processes, with the exponent determined by its entropy-rate structure.
• Abstract（参考訳）: 金融上のクラッシュ、インフラストラクチャのカスケード障害、AIシステムの重大なエラーは、非常に小さな確率で発生するイベントによって頻繁に引き起こされる。 しきい値未満の確率でイベントを効率よく発見し、サンプリングすることは、重要な関心事である。 しかし、このタスクは、既存の古典的あるいは量子的手法を用いて非常に非自明である。 まれに、そのようなイベントは十分なデータサンプルを集めるのに膨大なサンプリングオーバーヘッドを必要とする。 また、これらの稀な出来事は事前には分かっていないため、標準技術を用いて増幅するためにフラグを立てることはできない。 本稿では,希少な事象を学習することなく,希少な発見とサンプリングを行う量子アルゴリズムを提案する。 アルゴリズムは、希薄なしきい値で最適な量子スケーリングを実現する。 さらに、この手法により、尾が消滅しない全質量を持つ重尾系の2次高速化が達成され、エントロピーレート構造により指数が決定される定常確率過程の頑健な多項式スピードアップに変換されることを示す。

関連論文リスト

• Extreme Event Aware ($η$-) Learning [1.1279808969568255]
  利用可能なデータに極端なイベントが存在すると仮定しないExtreme Event Aware(e2aまたはeta)や$eta$-learningを導入する。 この種の統計正則化は、所定の観測可能な統計値との整合性を保ちながら、観測されたデータに適合するモデルをもたらす。
  論文  参考訳（メタデータ） (2025-10-22T01:33:58Z)
• Quartic quantum speedups for community detection [84.14713515477784]
  我々は,準量子スピードアップを実現するハイパーグラフコミュニティ検出のための量子アルゴリズムを開発した。 提案アルゴリズムは,従来検討されていた PCA や $p$XORSAT といった問題を超えて拡張した Kikuchi 法に基づいている。
  論文  参考訳（メタデータ） (2025-10-09T17:35:17Z)
• Non-perturbative switching rates in bistable open quantum systems: from driven Kerr oscillators to dissipative cat qubits [72.41778531863143]
  単一モードバイスタブルオープン量子系におけるスイッチング率の予測にはパス積分手法を用いる。 本研究は,マルチ安定な単体および多体オープン量子系におけるスイッチング現象を探索するための新たな道を開く。
  論文  参考訳（メタデータ） (2025-07-24T18:01:36Z)
• Accelerated Sampling of Rare Events using a Neural Network Bias Potential [2.7297500857637216]
  計算物理学と物質科学では、原子スケールで発生する稀な事象の効率的なサンプリングが重要である。 分子動力学やモンテカルロのような伝統的なシミュレーション手法は、これらの稀な事象の時間スケールをブルート力で捉えるのに非効率であることがしばしば証明される。 本稿では,これらの稀な事象のサンプリングを促進するために,重大サンプリングと深層ニューラルネットワーク(DNN)を組み合わせた実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-13T00:11:02Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Benchmarking a boson sampler with Hamming nets [1.0555513406636092]
  本稿では,未知の散乱行列を持つボソンサンプリング器をベンチマークする機械学習ベースのプロトコルを提案する。 現在実験で利用可能なボソンサンプリング装置のキャラクタリゼーションに,本フレームワークを直接適用することができる。
  論文  参考訳（メタデータ） (2023-05-18T13:07:02Z)
• Quantum Generative Adversarial Networks For Anomaly Detection In High Energy Physics [0.0]
  異常事象を識別する量子生成逆数ネットワークを開発した。 SMデータから背景分布を学習し、学習した背景分布に与えられた事象が特有であるか否かを判定する。 10倍のトレーニングデータサンプルを用いた量子生成技術は、グラビトン粒子とヒッグス粒子の検出において古典的手法に匹敵する精度が得られることが判明した。
  論文  参考訳（メタデータ） (2023-04-27T18:01:14Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)
• Statistical Limits of Supervised Quantum Learning [90.0289160657379]
  精度の制約を考慮すると、教師付き学習のための量子機械学習アルゴリズムは入力次元における多対数ランタイムを達成できないことを示す。 より効率的な古典的アルゴリズムよりも、教師あり学習のための量子機械学習アルゴリズムの方が、ほとんどの場合スピードアップできると結論付けている。
  論文  参考訳（メタデータ） (2020-01-28T17:35:32Z)

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。