論文の概要: Sharp Target-Domain Certificates for Quantum-Kernel Advantage under Distribution Shift

• arxiv url: http://arxiv.org/abs/2610.00080v1
• Date: Sun, 06 Sep 2026 15:37:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.356607
• Title: Sharp Target-Domain Certificates for Quantum-Kernel Advantage under Distribution Shift
• Title（参考訳）: 分散シフト下における量子カーネルアドバンテージのためのシャープターゲットドメイン証明書
• Abstract要約: シフト中の量子予測上の優位性は通常、既知のターゲットラベルを必要とする。 固定候補の有限バッチ優位性に対する仮定のない鋭い識別区間を導出する。 8つのセキュリティシフトで、115の古典的カーネルに対するゼロラベル上のエンドポイントは0.002-0.088にまたがる。
• 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: Quantum predictive advantage under shift usually requires known target labels. We derive the assumption-free sharp identified interval for the finite-batch advantage of a fixed candidate over the best member of a prespecified fixed classical-kernel family under any bounded loss and unrestricted completions of the unaudited labels; zero-one accuracy has exact closed-form partial-label updates. Across eight security shifts, zero-label upper endpoints against 115 classical kernels span 0.002-0.088. Retrospective auditing reduces every endpoint to 0.010 with 0-33 of 500 labels, including entangling-ZZ models. Prospective corroboration on two eligible tasks met predefined criteria: four task-classifier medians require 0-3 labels (overall median 0; maximum 76), and all 20 realized effects are negative; a third task fails its feature gate. Protocol controls reverse an apparent advantage, while finite-shot noise can increase predictive distinctness without useful advantage. The framework separates protocol validity, target predictive indispensability, and quantum relevance.
• Abstract（参考訳）: シフト中の量子予測上の優位性は通常、既知のターゲットラベルを必要とする。 ゼロワン精度は、任意の有界なラベルの有界損失および非制限完備化の下で、予め指定された固定された古典的カーネルファミリーの最適メンバーに対して、固定された候補の有限バッチ優位性に対する仮定のない鋭い識別区間を導出する。 8つのセキュリティシフトで、115の古典的カーネルに対するゼロラベル上のエンドポイントは0.002-0.088にまたがる。 振り返り監査は、エンタングリングZZモデルを含む500ラベルの0-33で、すべてのエンドポイントを0.010に削減する。 4つのタスク分類器中央値は0-3ラベル(全中央値0、最大76)が必要であり、20個の実効効果はすべて負であり、3番目のタスクはその特徴ゲートに失敗する。 プロトコル制御は明らかな利点を逆転させるが、有限ショットノイズは有用な利点なしで予測的区別を高めることができる。 このフレームワークは、プロトコルの妥当性、ターゲット予測の不必要性、および量子関連性を分離する。

関連論文リスト

• Observational Indistinguishability and Integrity Blind Regions in Hybrid Quantum-Classical Workflows [0.0]
  本稿では,ハイブリッド量子古典的ワークフロー整合性のためのクレーム相対的エビデンス/参照フレームワークを提案する。 観測上の不明瞭さは、有限バッチ統計ミスとは異なる構造的な盲点をもたらす。
  論文  参考訳（メタデータ） (2026-09-15T13:16:37Z)
• Bounded Adjustment with Reliability-Guided Embedding for Imbalanced Learning with Noisy Labels [7.047239027940408]
  本稿では,BARGE (Bounded Adjustment with Reliability-Guided Embeddings) を導入する。 CIFAR-10, CIFAR-100, Tiny ImageNetで, 長期・ステップ不均衡, クリーンラベル, 20%, 40%のランダムな不正ラベル置換条件下で評価を行った。
  論文  参考訳（メタデータ） (2026-09-14T21:41:28Z)
• Conditional validity of quantum event classifiers under collider systematics and quantum estimation uncertainty [0.0]
  量子機械学習分類器に関する主張は、ターゲットデータシフトや有限ショット量子評価がモデル自体をランダムにする場合に失敗する可能性がある。 我々は,情報条件付き,フェールクローズドな監査フレームワークを開発し,サポートされた,反証された,未解決の評定を返却する。
  論文  参考訳（メタデータ） (2026-09-02T16:14:58Z)
• Anchoring Bias in LLM-as-a-Judge Systems: Prior Scores Compromise Evaluation Independence [0.7340017786387767]
  先行スコアは,文脈メタデータにのみ含まれていても,判断をアンカーし,評価を評価値に体系的にシフトすることを示す。 人間のラベル付き地上真実によるカテゴリー産業データでは、アンカーされたメタデータは誤り訂正の48%をブロックし、割り当てられた間違ったラベルに対して正しい判断の10.18%をフリップする。
  論文  参考訳（メタデータ） (2026-08-26T14:41:24Z)
• Calibration-Preserving Pruning: Compression as a Reliability Contract [6.908972852063454]
  プルーニング規則ではなく、分割された共形予測は、プルーニングモデルが固定されると有限サンプルの限界カバレッジを提供する。 プルーニングは、より小さな有効な予測セットを得るのに十分なスコア幾何学を保てるか? CPP-SparseGPTは15個のデータセット・スパーシティセルにまたがって13個のデータセットを生成し,11。
  論文  参考訳（メタデータ） (2026-08-24T18:31:01Z)
• vAttention: Verified Sparse Attention [100.98210818821688]
  vAttentionは、ユーザが指定した$(epsilon, delta)$の近似精度保証(thus, confirmed)を備えた実用的なスパースアテンションメカニズムである。 vAttentionはデータセット間のスパースアテンションの質を大幅に改善することを示す。 モデルの品質を損なうことなく高速なデコードを実現するために、推論シナリオにデプロイすることができる。
  論文  参考訳（メタデータ） (2025-10-07T08:46:08Z)
• 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)
• Uncertainty-aware Long-tailed Weights Model the Utility of Pseudo-labels for Semi-supervised Learning [50.868594148443215]
  本研究では,不確かさを意識したアンサンブル構造(UES)を提案する。 UESは軽量でアーキテクチャに依存しないため、分類や回帰を含む様々なコンピュータビジョンタスクに容易に拡張できる。
  論文  参考訳（メタデータ） (2025-03-13T02:21:04Z)
• Alternative Pseudo-Labeling for Semi-Supervised Automatic Speech Recognition [49.42732949233184]
  ラベル付きデータが不十分な場合、擬似ラベル技術による半教師付き学習は自動音声認識の性能を大幅に向上させることができる。 損失関数のグラウンドトルースとしてノイズラベルを取ると、最適以下の性能が得られる。 そこで我々は,ノイズの多い擬似ラベル問題に対処するために,代替擬似ラベル方式という新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-08-12T12:13:52Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)

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。