Fugu-MT 論文翻訳(概要): Phase-Selective Amplitude Amplification for Constrained Optimization

論文の概要: Phase-Selective Amplitude Amplification for Constrained Optimization

arxiv url: http://arxiv.org/abs/2607.18338v1
Date: Sun, 19 Jul 2026 23:31:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.187503
Title: Phase-Selective Amplitude Amplification for Constrained Optimization
Title（参考訳）: 位相選択振幅増幅による制約最適化
Abstract要約: 本研究は, 安定化器とブレードキュービットを用いた振幅増幅の変種を導入し, 対象分布間のロバスト性の向上を図った。今後の研究には形式的性能境界と大規模検証が残されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work introduces a variant of Grover amplitude amplification using stabilizer and blade qubits to improve boosting robustness across objective distributions. We give geometric intuition, example simulations, and discuss limitations. Formal performance bounds and larger-scale validation are left for future research.
Abstract（参考訳）: 本研究は, 安定化器とブレードキュービットを用いたGrover振幅増幅の変種を導入し, 対象分布間のロバスト性の向上を図った。幾何学的直観、例シミュレーションを与え、限界について議論する。今後の研究には形式的性能境界と大規模検証が残されている。

関連論文リスト

Temper and Tilt Lead to SLOP: Reward Hacking Mitigation with Inference-Time Alignment [20.603753314256704]
推論時間アライメント技術は、軽量な代替手段を提供するか、コストのかかる強化学習を補完する。基準モデル温度調整を導入することで,これらの手法を拡張した。ハッキングに対する報奨として,SLOP重みパラメータを校正するアルゴリズムを提案する。
論文参考訳（メタデータ） (2026-05-13T13:47:06Z)
Generative Bayesian Hyperparameter Tuning [0.0]
クロスバリデーションは大規模では計算が禁止されることが多いが、後方サンプリングのコストのため完全にベイズ的ハイパーパラメータ学習は困難である。我々は, (i) ランダム化, 重み付けされた目的(重み付けされたベイズブートストラップ) と (ii) ハイパーパラメータ設定の繰り返し最適化による, ベイズ後部への最適化に基づく近似の2つの考え方を組み合わせた生成的視点を開発する。
論文参考訳（メタデータ） (2025-12-23T05:00:52Z)
Thompson Sampling via Fine-Tuning of LLMs [68.1722422968855]
我々は,スケーラブルな大規模獲得関数を必要としないトンプソンサンプリングに基づく代替案を提案する。我々のアプローチであるThompson Smpling via Finening (ToSFiT) は、プロンプト条件付き言語モデルに埋め込まれた事前知識を活用し、後方に向けて漸進的に適応する。分析の結果,ToSFiTアルゴリズムの基盤となる極大性原理の後続確率への注意的適応が重要であることが明らかとなった。
論文参考訳（メタデータ） (2025-10-15T09:13:59Z)
A New Formulation of Lipschitz Constrained With Functional Gradient Learning for GANs [52.55025869932486]
本稿では,大規模データセット上でGAN(Generative Adversarial Networks)のトレーニングを行うための有望な代替手法を提案する。本稿では,GANの学習を安定させるために,Lipschitz-Constrained Functional Gradient GANs Learning (Li-CFG)法を提案する。判別器勾配のノルムを増大させることにより、潜在ベクトルの近傍サイズを小さくすることができることを示す。
論文参考訳（メタデータ） (2025-01-20T02:48:07Z)
Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
論文参考訳（メタデータ） (2024-08-23T15:02:09Z)
An Element-wise RSAV Algorithm for Unconstrained Optimization Problems [13.975774245256561]
本稿では,新しい最適化アルゴリズムである要素緩和スカラー補助変数(E-RSAV)を提案する。このアルゴリズムは凸設定における線形収束の厳密な証明を特徴とする。また,ステッフェンセンステップサイズを持つ適応型E-RSAVを提案する。
論文参考訳（メタデータ） (2023-09-07T20:37:23Z)
Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文参考訳（メタデータ） (2023-04-22T15:32:59Z)
Score-Guided Intermediate Layer Optimization: Fast Langevin Mixing for Inverse Problem [97.64313409741614]
ランダム重み付きDNNジェネレータを反転させるため,Langevinアルゴリズムの定常分布を高速に混合し,特徴付ける。本稿では,事前学習した生成モデルの潜時空間における後部サンプリングを提案する。
論文参考訳（メタデータ） (2022-06-18T03:47:37Z)
Gaussian Blue Noise [49.45731879857138]
ブルーノイズスペクトルを用いた点分布生成の枠組みが,前例のない品質を実現することを示す。我々のアルゴリズムは、同じ品質を維持しながら、スムーズかつ実現可能な高次元化を実現している。
論文参考訳（メタデータ） (2022-06-15T20:22:16Z)
Long-distance distribution of qubit-qubit entanglement using Gaussian-correlated photonic beams [0.0]
非退化パラメトリック増幅器の出力場を用いて、遠方量子ビットを駆動することにより、大きな量子ネットワークにおける絡み合いの決定論的生成と分布について検討する。以上の結果から,ガウス波の離散可変絡み合いへの受動的変換は,大規模光,マイクロ波,ハイブリッド量子ネットワークの運用において,堅牢かつ実験的に非常に魅力的なアプローチであることがわかった。
論文参考訳（メタデータ） (2022-04-06T18:00:01Z)
Selective Cascade of Residual ExtraTrees [3.6575928994425735]
Selective Cascade of Residual ExtraTrees (SCORE) という,木に基づく新しいアンサンブル手法を提案する。 SCOREは表現学習からインスピレーションを受け、可変選択特徴を持つ正規化回帰を取り入れ、予測の改善と一般化誤差の低減にブーストを利用する。コンピュータ実験により、SCOREは、ExtraTrees、ランダムフォレスト、グラデーションブースティングマシン、ニューラルネットワークに対する予測において、同等または優れた性能を提供することが示された。
論文参考訳（メタデータ） (2020-09-29T16:31:37Z)
Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。