論文の概要: Information-Calibrated Quantum Diffusion: Aligning Forward Noise with Reverse Recoverability

• arxiv url: http://arxiv.org/abs/2608.14083v2
• Date: Tue, 18 Aug 2026 05:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 13:45:32.858508
• Title: Information-Calibrated Quantum Diffusion: Aligning Forward Noise with Reverse Recoverability
• Title（参考訳）: 情報キャリブレーションによる量子拡散:逆回復性を考慮した前方雑音の調整
• Abstract要約: 古典量子情報デクリメント $_t=I(X:Q_t-1)-I(X:Q_t) を固有拡散座標として導入する。 偏極化とともに$_t$が等しくなると、前方情報損失の唯一の最小値の離散化が得られる。
• 参考スコア（独自算出の注目度）: 10.481986290704821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum diffusion models typically parameterize forward corruption by raw channel strength, even though this parameter does not directly quantify how much ensemble information is erased or how difficult the corresponding reverse problem is. We introduce the classical--quantum information decrement $Δ_t=I(X{:}Q_{t-1})-I(X{:}Q_t)$ as an intrinsic diffusion coordinate that links forward noise allocation to reverse recoverability. Along depolarization, equalizing $Δ_t$ yields the unique minimax discretization of the forward information loss, while universal recoverability gives the same quantity an operational interpretation as a physically attainable local recovery budget. We further show that such local calibration is not sufficient for stochastic generation: models can satisfy the same recovery criterion while producing substantially different state distributions. This motivates a stochastic learner that combines information-calibrated recovery constraints with distribution matching. We establish finite-sample calibration and compositional trace-Wasserstein control for the resulting learner. Controlled quantum experiments validate the predicted information--recovery alignment, show that the recovery constraints improve local inversion, and confirm the complementary role of distribution matching in endpoint generation. The resulting framework also achieves stronger endpoint trace-Wasserstein performance than an official QuDDPM implementation with fewer trainable parameters. Overall, our work provides a unified information-theoretic principle for designing forward schedules, calibrating reverse steps, and separating physical recovery from generative coverage in quantum diffusion.
• Abstract（参考訳）: 量子拡散モデルは通常、どの程度のアンサンブル情報が消去されたか、あるいは対応する逆問題がどのように困難であるかを直接定量化していないにもかかわらず、生チャネル強度によって前方破壊をパラメータ化する。 本稿では,従来の量子情報デクリメントである$Δ_t=I(X{:}Q_{t-1})-I(X{:}Q_t)$を固有拡散座標として紹介する。 脱分極化に伴い、$Δ_t$は前方情報損失のユニークな最小値の離散化をもたらすが、普遍的回復可能性は同じ量で、物理的に達成可能な局所的回復予算と同じ操作的解釈を与える。 さらに,このような局所的なキャリブレーションは確率的生成には不十分であることを示す。 これにより、情報キャリブレーションされたリカバリ制約と分布マッチングを組み合わせた確率的学習者がモチベーションを得る。 学習者に対して有限サンプルキャリブレーションと合成トレースワッサースタイン制御を確立する。 制御された量子実験は、予測された情報-回復アライメントを検証し、リカバリ制約が局所反転を改善し、エンドポイント生成における分布マッチングの相補的な役割を確認する。 結果として生じるフレームワークは、トレーニング可能なパラメータが少ない公式のQuDDPM実装よりも、エンドポイントトレース-ワッサースタインのパフォーマンスも向上する。 全体として、我々の研究は、前方スケジュールを設計し、逆ステップを校正し、量子拡散における生成的カバレッジから物理的回復を分離するための統合された情報理論の原則を提供する。

関連論文リスト

• RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation [2.589687124983865]
  マルチ時間系列計算は、複数の変数からなる時間データの欠落した値を復元することを目的としている。 この問題は、医療監視、交通ネットワーク、エネルギーシステムといった現実世界のアプリケーションの中心である。 近年の拡散型アプローチは,反復的 denoising による欠落値の生成を学習することで,確率論的計算の可能性を強く示している。
  論文  参考訳（メタデータ） (2026-09-10T14:53:38Z)
• Scale-Consistent Posterior Dynamics for Diffusion Inverse Problems [16.685352002333225]
  事前訓練された拡散前の後方サンプリングは、一般に難易度成分を有する条件付きスコアによって管理される。 クリーン後部にターゲットが近づいた騒音条件付き経路が連続的なサロゲートSDEを生成することを示す。 FFHQ と ImageNet の100点評価実験により,超解像および分解能の競争再現性を示す。
  論文  参考訳（メタデータ） (2026-08-15T09:38:41Z)
• Simplex Relaxation for Discrete Diffusion [58.33696160279345]
  Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。 Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
  論文  参考訳（メタデータ） (2026-08-11T07:58:17Z)
• Quantum Error Mitigation with Diffusion-Like Models [0.1957338076370071]
  量子システムと環境の結合は、システムから環境自由度に情報を転送することでデコヒーレンスを引き起こす。 逐次局所弱測定により生成された量子拡散過程に対するAIによる誤り軽減フレームワークを提案する。 このフレームワークは、非単位力学を近似しコヒーレンス損失を緩和するためのハイブリッド古典量子アプローチを提供する。
  論文  参考訳（メタデータ） (2026-08-05T20:05:50Z)
• Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL [7.803284875836737]
  ブートストラップは オフライン強化学習における 推定誤差を増幅する 本稿では,ベルマンのバックアップをサンプル値のターゲットとして表現し,CHN局所補正を行うConvex Hull Neborhood Smooth Dual Generalizationを提案する。 Gym-MuJoCoとAntMazeの実験は、強力な集約性能と安定した値推定を示す。
  論文  参考訳（メタデータ） (2026-08-04T04:30:02Z)
• Tight Information Complexity of the Coin Problem in the Broadcast Model [0.21485350418225238]
  放送中の$mathrmBer()$と$mathrmBer()$の分散テスト、あるいは共有ブラックボードモデルについて検討する。 一定の優位性を持つプロトコルに対しては、各ペア$$に対して、任意の仮説の下での情報複雑性を普遍的な定数因子まで特徴づける。
  論文  参考訳（メタデータ） (2026-08-03T18:21:26Z)
• Active Quantum Kernel Acquisition for Gaussian Process Regression [30.032230630492155]
  量子カーネル分類に関する最近の研究は、カーネルエントリに不均一にショットを割り当てることによって、ターゲット精度に到達するために必要なショット予算を削減できることを示した。 我々はこのアイデアをガウス過程(GP)回帰(英語版)に拡張し、下流の量(全スペクトル後方分散、対数行列、辺縁確率)が、符号のみの分類出力よりも厳密なカーネルエラーに結合する設定とする。 我々は、3つの閉形式のペアレベル感性予測結合 $|_i_j|$, leave-one-out residual, and marginal-likelihood gradient を導出し、それらをネイマン型最小値に差し込む。
  論文  参考訳（メタデータ） (2026-06-27T09:40:20Z)
• One-Bit Clustering for Two Component Sub-Gaussian Mixture Models [17.177800879292963]
  2成分のガウス混合モデルに対する最初の1ビットクラスタリング法を提案する。 この方法は、ディザード量子化器によって得られた各サンプルのエントリ毎に1ビットしか使用しない。
  論文  参考訳（メタデータ） (2026-06-20T04:18:08Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• Reinforcement Learning from Multi-Source Imperfect Preferences: Best-of-Both-Regimes Regret [71.69884486156359]
  我々は, 累積的不完全化予算を用いて, エンフルティソースの不完全性選好からエピソードRLを考察した。 我々は,最良な登録行動を示す,後悔$tildeO(sqrtK/M+)$の統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-20T19:34:53Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Analysis of Hessian Scaling for Local and Global Costs in Variational Quantum Algorithm [0.42970700836450487]
  変分量子アルゴリズムにおけるヘッセンのエントリーワイズ解の定量化を行う。 ショットノイズに対してヘッセン成分を解くのに必要なサンプルの複雑さを規定する2つの異なるスケーリング機構を示す。
  論文  参考訳（メタデータ） (2026-01-31T15:49:23Z)
• Stabilizing Fixed-Point Iteration for Markov Chain Poisson Equations [49.702772230127465]
  有限状態マルコフ鎖を$n$状態と遷移行列$P$で研究する。 すべての非退化モードが実周辺不変部分空間 $mathcalK(P)$ によってキャプチャされ、商空間 $mathbbRn/mathcalK(P) 上の誘導作用素が厳密に収縮し、ユニークな商解が得られることを示す。
  論文  参考訳（メタデータ） (2026-01-31T02:57:01Z)
• Entropy-Reservoir Bregman Projection: An Information-Geometric Unification of Model Collapse [3.533187668612022]
  本稿では,これらの現象を統一する情報幾何学的枠組みであるEntropyReser Bregman Projection- ERBPを提案する。 我々の理論は崩壊に必要な条件、(ii)非言語エントロピーフロアを保証する十分な条件、(iii)サンプルサイズに依存する閉形式率をもたらす。
  論文  参考訳（メタデータ） (2025-12-16T19:50:03Z)
• QuantSparse: Comprehensively Compressing Video Diffusion Transformer with Model Quantization and Attention Sparsification [67.15451442018258]
  拡散変換器は素晴らしいビデオ生成能力を示すが、その計算とメモリの禁止コストは実際の展開を妨げる。 モデル量子化とアテンションスパシフィケーションは圧縮に有望な2つの方向であるが、それぞれがアグレッシブ圧縮の下で深刻な性能劣化を被っている。 モデル量子化と注意散布を統合した統合フレームワークである textbfQuantSparse を提案する。
  論文  参考訳（メタデータ） (2025-09-28T06:49:44Z)
• Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
  量子離散化拡散確率モデル(QD3PM)を提案する。 これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。 本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
  論文  参考訳（メタデータ） (2025-05-08T11:48:21Z)
• Bayesian Renormalization [68.8204255655161]
  ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。 ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。 本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
  論文  参考訳（メタデータ） (2023-05-17T18:00:28Z)
• Permutation Compressors for Provably Faster Distributed Nonconvex Optimization [68.8204255655161]
  本稿では,Gorbunov et al (2021) の MARINA 法が,理論的な通信複雑性の観点から最先端の手法とみなすことができることを示す。 MARINAの理論は、古典的な独立圧縮機設定を超えて、潜在的にエミュレートされた圧縮機の理論を支持するものである。
  論文  参考訳（メタデータ） (2021-10-07T09:38:15Z)

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。