論文の概要: Channel-Constrained Information Scheduling for Quantum Diffusion

• arxiv url: http://arxiv.org/abs/2609.26273v1
• Date: Fri, 14 Aug 2026 09:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.95185
• Title: Channel-Constrained Information Scheduling for Quantum Diffusion
• Title（参考訳）: 量子拡散のためのチャネル制約情報スケジューリング
• Abstract要約: 情報に基づく拡散スケジュールは、各前進ステップ後にソース情報がどれだけ残っているかを記述することで、逆問題を整理する。 混合状態量子拡散のためのチャネル制約情報スケジューリングを導入する。 提案したスケジューラは実現したマルチステップの重みをほぼ等しくし、学習した逆予測器が予測されたアロケーションを回復することを示す。
• 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: Information-based diffusion schedules organize the reverse problem by prescribing how much source information remains after each forward step. For mixed-state quantum diffusion, density-level targets need not correspond to trajectories reachable from the current realization. We introduce \emph{channel-constrained information scheduling}: each step optimizes over source-blind pure-state refinements reachable from the current state-resolved record through the prescribed channel. This defines a channel-constrained information clock $V_ξ$, whose inverse selects the least-corrupting step that reaches a target information level. Recursive inversion constructs a realizable equal-information schedule minimizing the worst source-information burden in Bayes reverse prediction. We establish attainment, continuity, monotonicity, convexity, finite support, and exact primal/dual formulations for $V_ξ$. We further give a sharp structural characterization: binary-qubit depolarizing trajectories attain the density-level Belavkin--Staszewski envelope, whereas every $d\ge3$ admits binary noncommuting families with a strict static--dynamic separation. Qutrit experiments show that the proposed scheduler nearly equalizes the realized multi-step burden, and learned reverse predictors recover the predicted allocation.
• Abstract（参考訳）: 情報に基づく拡散スケジュールは、各前進ステップ後にソース情報がどれだけ残っているかを記述することで、逆問題を整理する。 混合状態量子拡散の場合、密度レベルのターゲットは現在の実現から到達可能な軌道に対応する必要はない。 それぞれのステップは、現在の状態解決レコードから所定のチャネルを通して到達可能なソースブラインド純状態改善を最適化する。 これは、チャネル制限された情報クロック$V_a$を定義し、その逆は、ターゲット情報レベルに達する最小破壊ステップを選択する。 再帰的インバージョンは、ベイズ逆予測における最悪の情報源情報負担を最小限に抑える、実現可能な等情報スケジュールを構築する。 達成性、連続性、単調性、凸性、有限サポート、および$V_>$の正確な原始/双対の定式化を確立する。 さらに、二進分極軌道が密度レベルベラブキン-スタッシェフスキエンベロープに達するのに対して、d\ge3$ は厳密な静的-力学分離を持つ二進非可換族を許容する。 Qutrit実験では,提案したスケジューラが実現したマルチステップの重みをほぼ等しくし,学習した逆予測器が予測されたアロケーションを回復することを示した。

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)
• Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
  スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。 SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。 MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
  論文  参考訳（メタデータ） (2026-08-12T07:39:22Z)
• 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)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Rate-Optimal Noise Annealing in Semi-Dual Neural Optimal Transport: Tangential Identifiability, Off-Manifold Ambiguity, and Guaranteed Recovery [12.515121834321633]
  半二重の神経的最適輸送は、極小の目的によって輸送マップを学習するが、トレーニングは不正または退化マップに収束することができる。 補聴器としての添加音の平滑化について検討し,ノイズが消えるにつれて新たな地図復元の保証を証明した。
  論文  参考訳（メタデータ） (2026-02-04T00:49:38Z)
• Conditional Flow Matching for Bayesian Posterior Inference [0.0]
  本稿では,フローマッチングを用いた多変量後部サンプル作成手法を提案する。 単純なトレーニング目標を提供し、可能性評価へのアクセスを必要としない。
  論文  参考訳（メタデータ） (2025-10-10T16:48:28Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)

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。