論文の概要: Reliable Sample-Level Quantum Error Mitigation via Dominance-Aware Clustering

• arxiv url: http://arxiv.org/abs/2609.01744v1
• Date: Tue, 01 Sep 2026 18:10:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.81987
• Title: Reliable Sample-Level Quantum Error Mitigation via Dominance-Aware Clustering
• Title（参考訳）: ドミナンス・アウェア・クラスタリングによる信頼性の高いサンプルレベル量子エラー低減
• Abstract要約: 本研究では,複数の遅延ビットストリングの周囲に測定された確率質量が分散している場合のサンプルレベルのリカバリについて検討した。 多数決が中心を回復する十分な条件として、各座標における支配を識別する。 我々は、$k$-modesアルゴリズムのようなクラスタリングアルゴリズムで使用される最寄り中心割当が、真の中心が知られている場合でも、支配的な領域を生成できないことを示す。
• 参考スコア（独自算出の注目度）: 12.28245386083625
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many quantum algorithms for classically difficult optimization tasks must return high-quality bitstrings from finitely many circuit executions, whereas most quantum error-mitigation methods target expectation values. We study sample-level recovery when measured probability mass is distributed around multiple latent bitstrings, called centers. Each component of the measured probability mass is called a source and we assume that each center is associated with one source. We identify dominance-at every coordinate, more than half of a retained region's probability mass comes from one source and agrees with its center-as a sufficient condition under which majority voting recovers that center with exponentially decreasing error probability. We show that nearest-center assignment, as used in clustering algorithms such as the $k$-modes algorithm, can fail to produce dominated regions even when the true centers are known. This failure motivates responsibility thresholding and a local dominance screen, whose combination we call dominance-aware (DA) refinement. Synthetic and simulated MaxCut-QAOA experiments show that DA refinement favors precision, while $k$-modes with DA refinement improves overall center recovery. All procedures are classical post-processing and require no additional quantum-circuit executions.
• Abstract（参考訳）: 古典的に難しい最適化タスクのための多くの量子アルゴリズムは、有限個の回路実行から高品質なビットストリングを返さなければならない。 本研究では,複数の遅延ビットストリングの周囲に測定された確率質量が分散している場合のサンプルレベルのリカバリについて検討した。 測定された確率質量の各成分はソースと呼ばれ、各中心が1つのソースと関連していると仮定する。 各座標において、保持領域の確率質量の半分以上は1つの情報源から得られており、多数決がその中心を指数関数的に減少する誤差確率で回復する十分条件として、その中心に一致する。 我々は、$k$-modesアルゴリズムのようなクラスタリングアルゴリズムで使用される最寄り中心割当が、真の中心が知られている場合でも、支配的な領域を生成できないことを示す。 この失敗は、責任のしきい値設定と、私たちがDA(Dominance-Aware)リファインメントと呼ぶローカルな支配画面を動機付けます。 合成およびシミュレーションされたMaxCut-QAOA実験では、DAリファインメントは精度が良いが、DAリファインメント付き$k$-modesは全体のセンターリカインを改善する。 すべての手順は古典的な後処理であり、追加の量子回路実行を必要としない。

関連論文リスト

• Information-Calibrated Quantum Diffusion: Aligning Forward Noise with Reverse Recoverability [10.481986290704821]
  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。
  論文  参考訳（メタデータ） (2026-08-14T08:44:51Z)
• 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)
• Robust Distributed Learning under Resource Constraints: Decentralized Quantile Estimation via (Asynchronous) ADMM [2.6636053598505307]
  本稿では,分散中央値と量子推定のための新しいゴシップアルゴリズムAsylADMMを提案する。 提案アルゴリズムは,量子化に基づくトリミング,幾何的中央値推定,深度に基づくトリミングを可能にする。
  論文  参考訳（メタデータ） (2026-01-28T13:09:10Z)
• A Posteriori Certification Framework for Generalized Quantum Arimoto-Blahut Algorithms [41.15017547767954]
  本稿では,一般化量子Arimoto-Blahut (QAB) アルゴリズムに対する後続認証の視点を紹介する。 我々は、凸性とかなり弱い数値検証条件の下で、QAB反復が大域最小化器に収束することを示す大域収束定理を証明した。 応用として、チャネルの量子相対エントロピーを計算するための認定反復スキームを開発する。
  論文  参考訳（メタデータ） (2026-01-14T09:10:41Z)
• Calibrated Multimodal Representation Learning with Missing Modalities [100.55774771852468]
  マルチモーダル表現学習は、それらを統一潜在空間に整列させることにより、異なるモダリティを調和させる。 最近の研究は、従来のクロスモーダルアライメントを一般化して、強化されたマルチモーダル・シナジーを生成するが、すべてのモダリティを共通の例に含める必要がある。 我々は、アンカーシフトの観点から、この問題に関する理論的洞察を提供する。 モーダルの欠如に起因する不完全なアライメントを校正するために,マルチモーダル表現学習のためのCalMRLを提案する。
  論文  参考訳（メタデータ） (2025-11-15T05:01:43Z)
• Universality and kernel-adaptive training for classically trained, quantum-deployed generative models [7.192684088403013]
  ビットストリング上の有望な量子生成モデルとして、IQP量子回路Born Machine (QCBM) が提案されている。 近年の研究では、IQP-QCBMのトレーニングは古典的には、ガウスカーネル最大平均誤差(MMD)損失関数(英語版)のように、牽引可能であることが示されている。 カーネル適応法では、MDD値の収束はジェネレータの分布の弱収束を意味することを示す。
  論文  参考訳（メタデータ） (2025-10-09T17:17:34Z)
• Unveiling the Power of Multiple Gossip Steps: A Stability-Based Generalization Analysis in Decentralized Training [64.84977068837371]
  分散トレーニングは集中型サーバを取り除き、通信効率が向上し、トレーニング効率が大幅に向上するが、集中型トレーニングに比べてパフォーマンスが低下することが多い。 MultiGossip Steps (MGS) は、分散トレーニングと集中トレーニングの間に、シンプルだが効果的なブリッジとして機能する。
  論文  参考訳（メタデータ） (2025-10-09T09:14:47Z)
• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport [84.51977664336056]
  本研究では、ロバストな連続バリセンタを推定するための新しいスケーラブルなアプローチを提案する。 提案手法は min-max 最適化問題であり,一般的なコスト関数に適用可能である。
  論文  参考訳（メタデータ） (2024-10-04T23:27:33Z)
• Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
  任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。 本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
  論文  参考訳（メタデータ） (2023-10-02T11:24:36Z)
• Exploiting Structure for Optimal Multi-Agent Bayesian Decentralized Estimation [4.320393382724066]
  ベイジアン分権データ融合の鍵となる課題は、噂の伝播(double counting)現象である。 マルチエージェント分散核融合問題における確率的独立構造を利用して、より厳密な境界を求めることができることを示す。 次に、大規模目標追跡シミュレーションを用いて、新しいモノリシックCIアルゴリズムを試験し、より厳密な境界とより正確な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-20T05:16:33Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
  本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。 精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-11T03:39:08Z)

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。