Fugu-MT 論文翻訳(概要): Sharp bounds for perfect quantum state classification beyond antidistinguishability

論文の概要: Sharp bounds for perfect quantum state classification beyond antidistinguishability

arxiv url: http://arxiv.org/abs/2609.17411v1
Date: Tue, 15 Sep 2026 16:37:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.621638
Title: Sharp bounds for perfect quantum state classification beyond antidistinguishability
Title（参考訳）: 完全量子状態分類のためのシャープ境界
Abstract要約: 我々は、k-学習可能性に対する2つの普遍的で最適なグラム行列基準を証明した。いくつかのよく知られた状態の集合に対して、明示的な学習可能性と複写複雑性の保証を導出するためにそれらを適用する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A multiset of pure quantum states is said to be k-learnable if there is a measurement strategy that always narrows an unknown sample drawn from the list down to one of at most k candidates. The parameter k interpolates between distinguishability and antidistinguishability, and provides a unified framework for partial state identification. We prove two universal, and optimal, Gram-matrix criteria for k-learnability: a Frobenius-norm sufficient condition and an entrywise-$\ell_1$ necessary condition. We apply them to derive explicit learnability and copy-complexity guarantees for several well-known sets of states including SIC-POVMs, mutually unbiased bases, and stabilizer states. We further apply our results to zero-error mutation detection problems such as anomaly detection and changepoint detection.
Abstract（参考訳）: 純粋な量子状態の多重集合は、リストから引き出された未知のサンプルをほとんどのk候補のうちの1つに常に絞り込む測定戦略がある場合、k-学習可能であると言われる。パラメータkは識別性と識別不能を補間し、部分的状態識別のための統一されたフレームワークを提供する。我々は、k-学習性に対する普遍的で最適な2つのグラム行列基準を証明している:フロベニウスノルム十分条件とエントリーワイズ-$\ell_1$必要条件である。本研究では,SIC-POVM,相互に偏りのない基底,安定化状態を含むいくつかのよく知られた状態に対して,明示的な学習可能性と複写複雑性の保証を導出する。また,異常検出や変更点検出などのゼロエラー突然変異検出問題にも適用した。

関連論文リスト

Certifying Adversarial Robustness of Quantum Classifiers under Known-Readout Query Access [6.902322288643561]
量子分類器は入力量子状態の進化と出力の測定によってラベルを割り当て、繰り返し実行されることはラベルの上の分布のみを明らかにする。入力毎に2つの相補的な保証を返す測度のみのフレームワークを提供する。提案手法では,2つの8量子ビット量子ニューラルネットワークの40個の実行から2つの境界を推定する。
論文参考訳（メタデータ） (2026-09-10T14:45:21Z)
Uncertainty equality for SU(N) observables enabling the experimentally friendly detection of k-inseparability via purity measurements [0.0]
有限次元ヒルベルト空間の任意の量子状態に対する正確な不確実性関係を導出する。次に、任意の有限次元量子状態の$k$分離性に対する相関行列に基づく必要条件を導出する。その結果,相関関係,エントロピー,不確実性,絡み合いの証明と検出問題との密接かつ複雑な関係が明らかにされた。
論文参考訳（メタデータ） (2026-03-18T15:33:59Z)
Polynomial-time certification of fidelity for many-body mixed states and mixed-state universality classes [23.9304612104967]
本稿では,行列積密度演算子間の整合性について,証明された下限と上限を計算するためのa-timeアルゴリズムを提案する。その結果、既知のモーメントベース境界よりも精度が指数関数的に向上した。
論文参考訳（メタデータ） (2026-01-19T19:13:28Z)
Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文参考訳（メタデータ） (2025-09-26T23:40:47Z)
Realignment Criterion: A necessary and sufficient condition for two-qubit $X$-states [0.0]
2量子ビットにおける絡み検出に必要かつ十分である条件を導出することにより、配向基準の適用性を向上させる。 X$-statesは、そのスパース構造と絡み合いに関連する量を計算することの容易さから、絡み合いの研究において非常に有用であることが証明されている。
論文参考訳（メタデータ） (2025-06-30T11:03:40Z)
COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文参考訳（メタデータ） (2025-06-25T07:04:49Z)
Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
論文参考訳（メタデータ） (2022-05-28T02:59:05Z)
Improved Quantum Algorithms for Fidelity Estimation [77.34726150561087]
証明可能な性能保証を伴う忠実度推定のための新しい,効率的な量子アルゴリズムを開発した。我々のアルゴリズムは量子特異値変換のような高度な量子線型代数技術を用いる。任意の非自明な定数加算精度に対する忠実度推定は一般に困難であることを示す。
論文参考訳（メタデータ） (2022-03-30T02:02:16Z)
Stochastic Gradient Descent-Ascent and Consensus Optimization for Smooth Games: Convergence Analysis under Expected Co-coercivity [49.66890309455787]
本稿では,SGDA と SCO の最終的な収束保証として,期待されるコヒーレンシティ条件を導入し,その利点を説明する。定常的なステップサイズを用いた場合、両手法の線形収束性を解の近傍に証明する。我々の収束保証は任意のサンプリングパラダイムの下で保たれ、ミニバッチの複雑さに関する洞察を与える。
論文参考訳（メタデータ） (2021-06-30T18:32:46Z)
Optimal Adaptive Strategies for Sequential Quantum Hypothesis Testing [87.17253904965372]
適応的および非適応的戦略を用いた2つの量子状態間の逐次仮説テストについて検討する。両状態間の相対エントロピーの測定により,これらの誤差は指数関数的に減少することを示した。
論文参考訳（メタデータ） (2021-04-30T00:52:48Z)
DAGs with No Fears: A Closer Look at Continuous Optimization for Learning Bayesian Networks [45.3591788771536]
我々はベイズネットワーク学習のためのNOTEARSという連続最適化フレームワークを再検討する。本論文では,NOTEARSに対するKarush-Kuhn-Tucker最適条件は,自明な場合を除いて満足できないことを示す。ローカル検索の組み合わせは、元のNOTEARSよりも正確かつ効率的である。
論文参考訳（メタデータ） (2020-10-18T22:59:37Z)

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。