論文の概要: Correlation Geometry of Quantum Sensor Networks: Local-Global Information Flow and Local Privacy

• arxiv url: http://arxiv.org/abs/2608.06888v2
• Date: Thu, 13 Aug 2026 07:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 14:00:09.40311
• Title: Correlation Geometry of Quantum Sensor Networks: Local-Global Information Flow and Local Privacy
• Title（参考訳）: 量子センサネットワークの相関幾何学:局所的情報フローと局所的プライバシー
• Abstract要約: 量子センサネットワーク(QSN)は典型的にはN未知のパラメータを符号化し、単一の線形結合をターゲットとしている。 有効量子フィッシャー情報(EQFI)を用いてバレル効果のボトルネックを確立する。 我々は、局所的および大域的EQFI間のトレードオフが量子相関にどのように依存するかを記述した、正確な局所-グローバル位相写像を導出する。
• 参考スコア（独自算出の注目度）: 10.284788058281043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum sensor networks (QSN) typically encode N unknown parameters while targeting a single linear combination, rendering the N-1 remaining parameters as nuisance directions. To rigorously quantify estimation precision under such nuisances, we use the effective quantum Fisher information (EQFI) and establish a ``barrel-effect'' bottleneck: the global EQFI cannot exceed the weakest weighted local sensing capacity. To elucidate the information allocation mechanism underlying this bottleneck, we derive an exact local--global phase map that delineates how the trade-off between local and global EQFI depends dynamically on quantum correlations, and accordingly we identify concrete conditions for saturating the bottleneck bound. Notably, this geometric map uncovers a counterintuitive ``overcorrelated'' regime where excessive correlations actively degrade both local and global performance. Finally, we apply the phase map to intrinsic local privacy and identify the condition under which every local parameter is inaccessible while the desired global combination remains estimable. Overall, our work provides a principled methodology for engineering optimal network states in quantum sensing architectures.
• Abstract（参考訳）: 量子センサネットワーク(QSN)は典型的にはN未知のパラメータを符号化し、N-1の残りのパラメータをニュアンス方向とする。 このような疑問の下で推定精度を厳密に定量化するために、有効な量子フィッシャー情報(EQFI)を用いて「バレル・エフェクト」のボトルネックを確立する。 このボトルネックの根底にある情報配分機構を解明するために,局所的および大域的EQFI間のトレードオフが量子相関に動的に依存することを示す,正確な局所-グローバル位相マップを導出し,ボトルネック境界を飽和させる具体的な条件を特定する。 特に、この幾何学的写像は、過度な相関関係が局所的および大域的パフォーマンスの両方を積極的に劣化させる反直観的な「オーバーコラージュ」体制を明らかにする。 最後に、このフェーズマップを固有のローカルプライバシに適用し、すべてのローカルパラメータがアクセス不能な条件を特定し、所望のグローバル組み合わせを推定可能とする。 全体として、我々の研究は量子センシングアーキテクチャにおける最適ネットワーク状態の工学的手法を提供する。

関連論文リスト

• Constant-depth global shadow estimation [5.469643093167644]
  その結果,読み出し回数が推定量に有意に適応すると,ランダム性が著しく低下することがわかった。 本研究では, 緩やかなクリフォード-IQPアンサンブルに基づく浅層位相影を導入し, 安定化状態の忠実度を効率的に推定する。 タスク適応型ランダム化は,より浅いグローバルな特徴付けプロトコルを実現することができる。
  論文  参考訳（メタデータ） (2026-09-09T16:29:43Z)
• Global quantum phase estimation via hybrid quantum--classical learning [0.0]
  変分量子干渉計は精度を高めるが、一般には狭い動作状態に制限される。 量子-古典型ニューラルネットワーク干渉計(VQ-CNNI)のハイブリッド化について紹介する。 この性能には量子符号化と古典復号の共最適化が必要である。
  論文  参考訳（メタデータ） (2026-05-24T12:48:04Z)
• S$^3$GNN: Efficient Global Mixing and Local Message Passing for Long-Range Graph Learning [56.04227780048336]
  メッセージパッシングニューラルネットワーク(MPNN)は、長距離依存関係をキャプチャする際の情報ボトルネックに悩まされることが多い。 我々は、省略されたコンポーネントを軽量に再導入することでオーバーカッシング(OSQ)を緩和するS$3$GNNを提案する。 実験の結果,S$3$GNNは最大50%のパラメータでマグニチュード誤差を低減できることがわかった。
  論文  参考訳（メタデータ） (2026-05-22T10:26:41Z)
• Efficiently Learning Global Quantum Channels with Local Tomography [0.0]
  本稿では,一次元のマルチキュービット状態とチャネルに対する局所的・言語的再構成フレームワークを提案する。 テンソルネットソー表現を用いることで、最大50キュービットのチャネルを再構築し、グローバル診断を正確に回復する。 これにより、グローバルなプロパティへのアクセスが可能なスケーラブルなチャネルキャラクタリゼーションに、強力なツールボックスローカルシャドウトモグラフィーを拡張します。
  論文  参考訳（メタデータ） (2026-03-07T04:54:48Z)
• AQER: a scalable and efficient data loader for digital quantum computers [62.40228216126285]
  我々は,ターゲット状態の絡み合いを体系的に低減し,負荷回路を構成するスケーラブルなAQL手法であるAQERを開発した。 我々は、合成データセット、古典画像および言語データセット、最大50キュービットの量子多体状態データセットを用いて、AQERの有効性を評価するための体系的な実験を行う。
  論文  参考訳（メタデータ） (2026-02-02T14:39:42Z)
• CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge [50.42067935605982]
  ローカルメモリの効率とグローバル通信の削減を両立させる新しい圧縮・結合型学習フレームワークを提案する。 CoCo-Fedは、メモリと通信効率の両方において最先端のベースラインを著しく上回り、非IID設定下では堅牢な収束を維持している。
  論文  参考訳（メタデータ） (2026-01-02T03:39:50Z)
• Federated Quantum Kernel Learning for Anomaly Detection in Multivariate IoT Time-Series [27.38765909731335]
  本稿では,FQKL(Federated Quantum Kernel Learning)フレームワークを提案する。 FQKLは、古典的連合ベースラインに比べて複雑な時間的相関を捉える際に優れた一般化を実現する。 この作業は、フェデレートされた設定における量子カーネルの約束を強調し、次世代IoTインフラストラクチャのためのスケーラブルで堅牢で量子強化されたインテリジェンスへの道を進めます。
  論文  参考訳（メタデータ） (2025-11-04T06:35:53Z)
• FL-QDSNNs: Federated Learning with Quantum Dynamic Spiking Neural Networks [2.5435687567731926]
  FL-QDSNN(Federated Learning-Quantum Dynamic Spiking Neural Networks)を提案する。 FL-QDSNNは、非IIDクライアントデータに対する高い予測精度を維持するプライバシー保護フレームワークである。 その鍵となる革新は、局所的なデータドリフトが追加表現性を必要とする場合にのみ量子ゲートをトリガーする動的閾値スパイキング機構である。
  論文  参考訳（メタデータ） (2024-12-03T09:08:33Z)
• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• Inferring Dynamic Networks from Marginals with Iterative Proportional Fitting [57.487936697747024]
  実世界のデータ制約から生じる一般的なネットワーク推論問題は、その時間集約された隣接行列から動的ネットワークを推論する方法である。 本稿では,ネットワーク構造に対する最小限の変更の下でIPFの収束を保証するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-28T20:24:56Z)
• FedNAR: Federated Optimization with Normalized Annealing Regularization [54.42032094044368]
  ウェイト崩壊の選択を探索し、ウェイト崩壊値が既存のFLアルゴリズムの収束に有意な影響を及ぼすことを確かめる。 我々は,既存のFLアルゴリズムにシームレスに統合可能なプラグインであるFederated Optimization with Normalized Annealing Regularization (FedNAR)を開発した。
  論文  参考訳（メタデータ） (2023-10-04T21:11:40Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Learning Signed Hyper Surfaces for Oriented Point Cloud Normal Estimation [53.19926259132379]
  我々は,符号付きハイパー曲面の学習による点雲の向きの正規分布推定のためのSHS-Netと呼ばれる新しい手法を提案する。 符号付き超曲面は、局所的および大域的な情報を集約する高次元特徴空間において暗黙的に学習される。 注意重み付き正規予測モジュールをデコーダとして提案し,局所およびグローバル潜時符号を入力として向きの正規を推定する。
  論文  参考訳（メタデータ） (2023-05-10T03:40:25Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)

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。