論文の概要: LC-Implicit-QAOA: Active-Workspace-Capped Exact Objective-and-Gradient Evaluation for Training over Bounded QUBO Light Cones

• arxiv url: http://arxiv.org/abs/2608.05610v1
• Date: Thu, 06 Aug 2026 05:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.822161
• Title: LC-Implicit-QAOA: Active-Workspace-Capped Exact Objective-and-Gradient Evaluation for Training over Bounded QUBO Light Cones
• Title（参考訳）: LC-Implicit-QAOA:有界QUBO光円錐のトレーニングのためのアクティブワークスペースを担持した実物体・グラディエント評価
• Abstract要約: LC-Implicit-QAOAプロファイルは、局所振幅および名前付きワークスペース割り当ての前にコーン構造と誘導エッジカウントをプロファイルする。 Implicit"とは,暗黙の差別ではなく,グローバルステートとグローバルコストテーブルの両方を省略する,という意味です。 LCはp=2の有界コーングリッドで104のターゲット要求を全て完了させる。
• 参考スコア（独自算出の注目度）: 10.033340735277916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: QAOA training repeatedly queries an objective and all shared gradients, making exact evaluation a feasibility bottleneck even when QUBO terms have bounded causal cones. Building on established causal-cone restriction and adjoint differentiation, LC-Implicit-QAOA profiles cone structure and induced-edge counts before local-amplitude and named-workspace allocation, then jointly selects equal-size microbatches and checkpoint schedules under a named active-evaluator workspace budget. "Implicit" means omitting both global state and global cost table, not implicit differentiation; infeasible requests are rejected before those allocations. An independently implemented complex128/float64 dense adjoint agrees with LC over 1,800 graph-angle comparisons, with a worst relative gradient error of 1.56 x 10^-13. LC completes all 104 target requests in a p=2 bounded-cone grid; under a prespecified n <= 24 validation cap, the matched state-plus-cost reference is executed for 28 requests and deliberately not run on 76. Across 80 budgeted requests, measured allocated evaluator memory stays within budget, reaching at most 0.797 of it. On 3-regular n=512, p=2, the adjoint reaches the same finite-budget endpoint in 101 objective-equivalent calls and 189 s, versus 909 calls and 1,565 s for central differences. LC targets fixed-depth one- and two-local diagonal QUBO costs with a transverse-field mixer; it provides neither global states, sampling, nor a hardware-independent fastest-backend rule.
• Abstract（参考訳）: QAOA トレーニングは,QUBO 用語が因果円錐に有界な場合においても,客観的かつすべての共有勾配を反復的に問合せ,正確な評価が実現可能なボトルネックとなる。 LC-Implicit-QAOAプロファイルは、確立された因果錐制限と随伴微分に基づいて、局所振幅と名前付きワークスペースアロケーションの前にコーン構造と誘導エッジカウントを生成し、名前付きアクティブ評価作業空間予算の下で、等サイズのマイクロバッチとチェックポイントスケジュールを共同選択する。 暗黙の区別ではなく、グローバルステートとグローバルコストテーブルの両方を省略することを意味する。 独立に実装されたコンプレックス128/float64密結合は、LCが1,800以上のグラフ角の比較で一致し、最悪の相対勾配誤差は 1.56 x 10^-13 である。 LCは、p=2の有界コーングリッドで104のターゲット要求をすべて完了し、あらかじめ指定されたn <= 24のバリデーションキャップの下で、一致したステートプラスコストの参照は28の要求に対して実行され、76では意図的に実行されない。 80件以上の予算が要求され、割り当てられた評価器のメモリは予算内に留まり、その少なくとも0.797に達した。 3-正則 n=512, p=2 では、101 の客観的等価呼び出しと 189 s の有限予算の終点に達するが、中心差は 909 の呼び出しと 1,565 の s である。 LCは、横方向のフィールドミキサーで固定深度1対2の対角線QUBOコストを目標としており、グローバルステート、サンプリング、ハードウェアに依存しない高速バックエンドルールも提供していない。

関連論文リスト

• Observation Design for Certified Control Authority: Projection--Estimability Separation and Active-Face Equivalence [2.7954473524479275]
  ゲートは認証可能なアクションのみを実行し、その観測がサポートするもののみを認証する。 本稿では,安全な行動の集合を最大化するために,どのように観測を設計すべきかを問う。
  論文  参考訳（メタデータ） (2026-09-05T07:57:04Z)
• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
  200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。 我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。 このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
  論文  参考訳（メタデータ） (2026-09-01T17:39:26Z)
• LARC: Lazy Adaptive Reachability Certification of Robot Manipulator Trajectories [8.433445742682702]
  到達可能性に基づく認証は状態間の動作を束縛するが、一様時間分割はクリアランスが大きい計算を無駄にする。 非決定的クリアランステストで区間のみを二分することで、計画された軌道をチェックする遅延適応可到達性認証(LARC)を提案する。
  論文  参考訳（メタデータ） (2026-08-30T12:53:20Z)
• Efficient GPU Retrieval for Semantic Search [11.631441668563802]
  本稿では、LinkedInのポリシー整合型検索フレームワークを提案する。 軽量のシングルスロットStage-1スコアラは、ハイリコール候補を生成する。 21Kのホールドアウトクエリでは、この表現は一致した容量ベースラインに対するオフラインの関連性を改善する。
  論文  参考訳（メタデータ） (2026-08-29T00:38:27Z)
• RecGPT-Mobile-V2 Technical Report [22.10290138930905]
  RecGPT-Mobile-V2は、意図的品質と実行効率をステージド設計の目的として扱うエンドツーエンドフレームワークである。 このフレームワークは異種間相互作用をエビデンス保存軌道に変換し、ドメイン適応と教師付きアライメントを通じてレコメンデーションネイティブ基盤を確立する。 オンライン検索分析では、クエリリコールチャネルは、確立されたリコールチャネルによってサーフェスされたインベントリに補完されるインベントリを検索することを示している。
  論文  参考訳（メタデータ） (2026-08-25T09:23:17Z)
• No-Go Theorems for Quantum Transport Metrics from Fixed Cost Operators [2.574393697080417]
  結合に基づく量子最適輸送は古典的最適輸送を一般化する。 No-goの結果は、固定コスト結合の定式化が完全な量子状態空間のメトリクスに繋がらないことを示している。
  論文  参考訳（メタデータ） (2026-07-30T15:24:50Z)
• TREK: A Travel Reasoning and Evaluation Kit for LLM Agents in Complex Trip Planning [40.69228585271066]
  本稿では,TREK (Travel Reasoning Evaluation Kit) について紹介する。 TREKは800のマルチ制約タスク - 533が実現可能で、267が型付き/エンタリティ/予算的原因で実行不可能である。 完全に再現可能なベンチマークとして、データセット、ツールサンドボックス評価器、エージェントコードをリリースします。
  論文  参考訳（メタデータ） (2026-07-29T14:35:29Z)
• When Is a Learned Command Adapter Worth It? Closed-Loop Identification and Counterfactual Auditing of Frozen Locomotion Policies [0.0]
  本研究では,グローバルな運用ポイントゲイン,同状態対応ヘッドルーム,クロスフィット固定動作によるデプロイメントゲイン,周波数整合ランダム化ポリシによる状態割り当てゲインを分離するアダプタ要求監査を導入する。 ソースクラスタのリフィットは、これらの量と制約違反をGO/NO-GO/ABSTAIN決定にマップする。 Go2では、アーカイブされたスケール診断では、5.2%の同状態のヘッドルームがあるが、アロケーションの利得は0.55%しか得られていない。
  論文  参考訳（メタデータ） (2026-07-23T23:47:03Z)
• Constrained Path Reasoning: Measuring When Committed Stages Earn Their Cost [2.9867974725783113]
  Constrained Path Reasoning (CPR)は、ソース認識パス仮説とステージレベルの会計とをペアリングする。 CPRは、タスク互換のコミットメントは、移行を分解し、候補の質量を集中し、正規性を誘導し、そのゲインが宣伝されたエラーや実行コストを超えたときにフィードバックを公開することができると予測している。
  論文  参考訳（メタデータ） (2026-07-19T13:11:18Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• BiPACE: Bisimulation-Guided Policy Optimization with Action Counterfactual Estimation for LLM Agents [10.767742708000897]
  ステップワイズグループベースのRLは、学習評論家なしで長期のLDMエージェントを訓練する魅力的な方法である。 現在のエージェントの変種は、状態-アクションの信用ミスマッチによってこの仮定に反することを示す。 批判や補助的な損失、余分なロールアウトを加えることなく、双方を修正できる、ドロップインの利点推定ツールであるBiPACEを紹介します。
  論文  参考訳（メタデータ） (2026-06-24T08:32:42Z)
• ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
  ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。 ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
  論文  参考訳（メタデータ） (2026-05-27T07:33:47Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Do Transaction-Level and Actor-Level AML Queues Agree? An Empirical Evaluation of Granularity Effects on the Elliptic++ Graph [0.0]
  グラフベースの反マネーロンダリングシステムは、トランザクションとアクターアドレスという2つの粒度の不審なアクティビティをスコアできるが、アクター毎のコンプライアンスアクションが実行される。 本報告では, 一定の審査予算の下で, 粒度が調査待ち行列の構成にどのように影響するかを評価するための評価手法を提案する。
  論文  参考訳（メタデータ） (2026-04-26T01:54:11Z)
• Convergence Rate Analysis of LION [54.28350823319057]
  LION は、勾配カルシュ=クーン=T (sqrtdK-)$で測定された $cal(sqrtdK-)$ の反復を収束する。 従来のSGDと比較して,LIONは損失が小さく,性能も高いことを示す。
  論文  参考訳（メタデータ） (2024-11-12T11:30:53Z)
• Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
  我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。 そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。 良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。 我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
  論文  参考訳（メタデータ） (2023-12-25T01:00:58Z)
• $\ exttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)

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。