論文の概要: Coupling-Grouped XY-QAOA for Joint Anomaly-Feature Selection

• arxiv url: http://arxiv.org/abs/2606.13244v1
• Date: Thu, 11 Jun 2026 11:56:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.769475
• Title: Coupling-Grouped XY-QAOA for Joint Anomaly-Feature Selection
• Title（参考訳）: 結合型XY-QAOAによる関節異常選択
• Authors: Pauli Taipale,
• Abstract要約: 結合群 XY-QAOA は制約付き最適化問題に対する制約保存群付き角変種である。 ハードウェア対応の実装により、回路の深さは45.9%-61.3%、二ビットゲートは2.6%-5.2%減少する。 36-64キュービットにわたって、固定角は、一致したランダム可能なサンプリングよりも低エネルギーで実現可能なサンプルを出力する。
• 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: Selecting anomalous samples and explanatory features under fixed budgets defines a coupled constrained-optimization problem. Sequential feature-first selection ranks features before choosing samples, which can overlook features whose utility depends on which samples are selected, especially when scores are calibrated from reference data that may be limited, noisy, or drifting. We instead formulate the task as joint sample-feature selection under the same fixed counts. In the analyzed formal model, calibration-error sensitivity grows linearly with the number of samples for feature-first ordering but stays constant for joint selection. We introduce Coupling-Grouped XY-QAOA, a constraint-preserving grouped-angle variant for the resulting optimization problem. On matched sparse IBM Heron R3 benchmarks, a hardware-aware implementation reduces circuit depth by 45.9%-61.3% and two-qubit gates by 2.6%-5.2% relative to Qiskit optimization level 3 on the CZ-basis target. It enables, to our knowledge, the largest reported width-depth configurations for constraint-preserving bipartite-selection QAOA hardware executions with feasible-sector retention: 64 qubits at p=2 and 36 qubits at p=3. The 20-qubit p=5 runs retain 63% valid samples. Across 36-64 qubits, fixed-angle runs yield lower-energy feasible samples than matched random-feasible sampling. Warm starts reduce the gap to strict-feasible classical references by 57.5%-80.5%, and near-budget repair matches the sparse classical reference at 36 qubits. Benchmarks show gains in balanced fixed-budget regimes, and noiseless simulations show that problem-structured angle grouping improves over same-depth XY-QAOA and matched-parameter, type-preserving randomization controls. Overall, the results support calibrated joint selection and hardware-realizable constrained-mixer execution in the tested regimes.
• Abstract（参考訳）: 固定予算の下で異常サンプルと説明的特徴を選択することは、制約最適化問題の結合を定義する。 連続した特徴優先選択は、サンプルを選択する前に特徴をランク付けする。これは、特に、限られた、うるさい、または漂流する可能性のある参照データからスコアが校正された場合に、どのサンプルを選択するかに依存する機能を見渡すことができる。 代わりに、同じ固定数で共同サンプルフィーチャー選択としてタスクを定式化する。 解析された形式モデルでは、キャリブレーション・エラー感度は特徴優先順序付けのサンプル数とともに直線的に増加するが、関節選択には一定である。 最適化問題に対する制約保存型群付きアングル変種である Coupling-Grouped XY-QAOA を導入する。 一致するスパースなIBM Heron R3ベンチマークでは、ハードウェア対応の実装により、回路の深さを45.9%-61.3%削減し、2キュービットゲートを2.6%-5.2%削減した。 これは、我々の知る限り、制約保存二部分選択QAOAハードウェア実行における最大の幅幅設定を可能にします:p=2で64キュービット、p=3で36キュービット。 20キュービットのp=5は63%の有効なサンプルを保持する。 36-64キュービットにわたって、固定角は、一致したランダム可能なサンプリングよりも低エネルギーで実現可能なサンプルを出力する。 ワームは厳格に実現可能な古典的参照へのギャップを57.5%-80.5%削減し、予算に近い修復は36キュービットのスパースな古典的参照と一致する。 ベンチマークでは、バランスの取れた固定予算体制の利得が示され、ノイズレスシミュレーションでは、XY-QAOAとマッチングパラメータ、型保存ランダム化制御よりも、問題構造化のアングルグルーピングが向上することが示された。 全体として、テストされた状態下での調整された関節の選択とハードウェアで実現可能な制約ミキサーの実行をサポートする。

関連論文リスト

• Off-the-Shelf LLMs as Process Scorers: Training-Free Alternative to PRMs for Mathematical Reasoning [51.88950852117154]
  Chunk-Level Guided Generationは、既製の大規模言語モデルをプロセススコアラとして使用する、トレーニング不要の代替手段である。 本研究では,系統的な長さバイアスのため,大モデル確率の可変長推論ステップが信頼できないことを示す。 Chunk-Level Guided Generation は PRM guided search よりもかなり短い推論トレースを生成する。
  論文  参考訳（メタデータ） (2026-06-01T04:43:36Z)
• optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
  単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:18:12Z)
• Evaluating Small Language Models for Front-Door Routing: A Harmonized Benchmark and Synthetic-Traffic Experiment [0.05586191108738562]
  小型言語モデル(SLM)は、サブ秒、ゼロマージナルコスト、セルフホストタスクの分類に十分な推論能力を持つ。 Study 1はPhi-3.5-mini、Qwen2.5-1.5B、Qwen-2.5-3Bを同一のAzure T4ハードウェア、サービススタック、量子化、固定60ケースコーパスで同期したオフラインベンチマークである。 研究2は、合成トラフィック下で事前登録された4本腕ランダム化実験であり、有効サンプルサイズは腕あたり60ケースである。
  論文  参考訳（メタデータ） (2026-03-26T15:57:46Z)
• Diffusion-MPC in Discrete Domains: Feasibility Constraints, Horizon Effects, and Critic Alignment: Case study with Tetris [0.0]
  本研究では,テトリスをケーススタディとして,拡散モデル予測制御(拡散MPC)を個別領域で検討した。 我々のプランナーは、MaskGITスタイルの離散デノイザを用いて候補配置シーケンスをサンプリングし、再ランク付けによりアクションを選択する。 本研究では,(1)有効配置に対するロジットマスキングによる実現可能性に制約のあるサンプリング,(2)スコアを用いた戦略の再評価,事前訓練されたDQN批判,およびハイブリッド組み合わせ,(3)候補数と計画の地平線におけるスケーリングの計算,の3つの要因を分析した。
  論文  参考訳（メタデータ） (2026-03-02T19:35:38Z)
• 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)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Adaptive Malware Detection using Sequential Feature Selection: A Dueling Double Deep Q-Network (D3QN) Framework for Intelligent Classification [1.4120905648647635]
  マルウェアの分類をマルコフ決定プロセスとして定式化する。 適応型逐次特徴選択のためのD3QN(Dueling Double Deep Q-Network)フレームワークを提案する。 Microsoft Big2015(9クラス,1,795機能)とBODMAS(バイナリ,2,381機能)データセットに対するアプローチを評価します。
  論文  参考訳（メタデータ） (2025-07-06T12:37:50Z)
• A Gradient Meta-Learning Joint Optimization for Beamforming and Antenna Position in Pinching-Antenna Systems [63.213207442368294]
  マルチ導波路ピンチアンテナシステムの新しい最適化設計について検討する。 提案したGML-JOアルゴリズムは,既存の最適化手法と比較して,様々な選択や性能に頑健である。
  論文  参考訳（メタデータ） (2025-06-14T17:35:27Z)
• Reverse Preference Optimization for Complex Instruction Following [61.39734201711077]
  本稿では,Reverse Preference Optimization (RPO) という,シンプルで効果的な手法を提案する。 選択された応答が完璧であることを保証するために、命令内の制約を動的に反転させることで、優先ペアのノイズを緩和する。 RPOはモデルサイズで効果的にスケールし、70B RPOモデルはGPT-4oを超える。
  論文  参考訳（メタデータ） (2025-05-28T09:44:27Z)

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。