論文の概要: Criticality Concentrates Extensive Sensing Information into a Local Readout

• arxiv url: http://arxiv.org/abs/2610.15364v1
• Date: Sun, 11 Oct 2026 05:42:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 01:31:16.1465
• Title: Criticality Concentrates Extensive Sensing Information into a Local Readout
• Title（参考訳）: 臨界は局所的な読み出しに情報を集中させる
• Abstract要約: 臨界は局所的な軌跡に広範囲な知覚情報を集中させることが示される。 全発散フィードバックネットワークの高速可読限界において、単一の二分軌道は共通の弱体に対して$N$でフィッシャー情報率を線形に持つ。
• 参考スコア（独自算出の注目度）: 8.242134152706194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We show that criticality concentrates extensive sensing information into a local trajectory. In the rapid-readout limit of an all-to-all dissipative feedback network, a single binary trajectory has a Fisher-information rate linear in $N$ for a common weak field, as does the full record. Critical slowing does not remove this gain because the local weight of the slow mode decreases with $N$. An analytic bound guarantees that the local record retains more than half of the full information across the entire channel-parameter range. We also identify how parameter drives and observation dynamics determine local access to collective information beyond permutation symmetry. Furthermore, our sparse-readout theorem establishes a $k^{-1}$ decay of fractional information loss: only $Θ(\varepsilon^{-1})$ trajectories are needed to retain a fraction $1-\varepsilon$ of the full information rate. Any growing readout set, even of vanishing density, asymptotically recovers the full common-field Fisher-information rate.
• Abstract（参考訳）: 臨界は局所的な軌跡に広範囲な知覚情報を集中させることが示される。 一対一の散逸フィードバックネットワークの急激な可読限界において、単一の二分軌道は、全記録と同様に、共通弱体に対して$N$のフィッシャー情報率で線形である。 臨界減速は、スローモードの局所的な重みが$N$で減少するため、この利得を除去しない。 解析的バウンダリは、ローカルレコードがチャネル-パラメータ範囲全体の完全な情報の半分以上を保持することを保証している。 また、パラメータの駆動と観察のダイナミクスが、置換対称性を超えた集合情報への局所的アクセスを決定する方法を特定する。 さらに、我々のスパース・リープアウトの定理は、分数情報損失の$k^{-1}$崩壊を定めている: 完全な情報率の1-\varepsilon$をわずかに保持するためには、わずか$(\varepsilon^{-1})$ trajectoriesが必要である。 密度が消えても、成長する読み出し集合は、漸近的に全共通フィールドフィッシャー情報率を回復する。

関連論文リスト

• Global Minimax Readout of a Qubit Direction [5.246986428523558]
  我々は、パラメータ非依存の読み出しを用いて、既知のBloch-vector長で未知のキュービット方向を推定する、最悪のフィッシャー情報コストを正確に決定する。 記録された古典的ランダム化を含む固定局所アーキテクチャはすべて、ブロッホ球上のゼロバリー中心確率測度に正確に還元する。 すべてのフルランク量子ビットと全てのトレースバランスのスペクトルフィッシャー損失に対して、結果として生じるミニマックス問題は厳密である。
  論文  参考訳（メタデータ） (2026-08-17T17:26:32Z)
• Channel-Constrained Information Scheduling for Quantum Diffusion [10.481986290704821]
  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。
  論文  参考訳（メタデータ） (2026-08-14T09:01:24Z)
• Scaling Attention via Feature Sparsity [50.64995497733461]
  超長期のコンテキストにトランスフォーマーをスケールすることは、自己注意のコスト$O(n2 d)$コストによってボトルネックとなる。 本稿では,高次元表現性を維持するために,クエリとキーを$k$sparseコードとして表現するスパース特徴注意法を提案する。 GPT-2とQwen3の事前トレーニングで、SFAは密度の高いベースラインにマッチし、最高2.5タイムのスピードを向上し、FLOPとKVキャッシュを50%近く削減した。
  論文  参考訳（メタデータ） (2026-03-17T08:41:50Z)
• Constant Stepsize Local GD for Logistic Regression: Acceleration by Instability [13.332982107151434]
  我々は,任意の段数 $eta > 0$ を用いて,分離可能な異種データを用いたロジスティック回帰のための局所勾配 Descent の解析を行った。 我々の分析は、非常に大きなステップサイズによって不安定が引き起こされる、citewu2024largeの単一マシン解析と並行して行われる。
  論文  参考訳（メタデータ） (2025-06-16T20:29:00Z)
• Causality, localization, and universality of monitored quantum walks with long-range hopping [0.0]
  一次元格子上の量子ウォークの最適リセット率を決定するための戦略を提供する。 我々の結果は、平衡を決定するための長距離コヒーレント力学、対称性、局所量子計測プロセスの相互作用に光を当てた。
  論文  参考訳（メタデータ） (2025-04-16T13:08:42Z)
• Convergence of Shallow ReLU Networks on Weakly Interacting Data [5.618969269882913]
  我々は,n$のデータ点上の勾配流によって訓練された一層ReLUネットワークの収束解析を行う。 次数$log(n)$ニューロンの幅を持つネットワークは、高い確率で大域収束するのに十分であることを示す。
  論文  参考訳（メタデータ） (2025-02-24T09:07:14Z)
• High-probability Convergence Bounds for Nonlinear Stochastic Gradient Descent Under Heavy-tailed Noise [59.25598762373543]
  重み付き雑音の存在下でのストリーミングデータにおける学習の精度保証について検討した。 解析的に、与えられた問題に対する設定の選択に$ta$を使うことができることを実証する。
  論文  参考訳（メタデータ） (2023-10-28T18:53:41Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes problem [78.20667552233989]
  我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。 本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
  論文  参考訳（メタデータ） (2022-07-04T14:51:59Z)

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。