量子信道容量的高效逼近
提出一种迭代计算分散无记忆信道容量的方法,包括对输入分布的附加约束;利用凸规划的对偶性,获得了容量的显式上下界。该方法的复杂度为 O(M ^ 2 N√(log N)/ε),其中 N 和 M 分别表示输入和输出字母表的大小;单次迭代的复杂度为 O(MN)。同时,针对有限连续输入和可数输出字母表的无记忆信道提出了近似计算容量的方法,在一些关于信道尾部的渐变速率的温和假设下可以实现(离散时间泊松信道属于该问题类),并给出了其在峰值功率输入约束下的上下界估计路段作为案例研究
Jul, 2014
提出一种基于数据驱动的算法,利用最小化通道输出上的参考分布来估算未知通道法和连续输出字母表上通道容量上界的估算方法,并使用修改的互信息神经估计器来计算所需的条件通道和参考分布之间的散度最大化,在不同的无记忆通道上进行数字评估,证明了该方法估算的上界要么接近通道容量,要么接近最佳已知下界。
May, 2022
研究了将离散无记忆二进制输入信道的输出量化为较少个数级别的问题,给出了一种寻找最优量化器的算法,该结果适用于任意信道,并且与先前针对受限信道或受限量化器输出数量的结果不同。最差情况下,该算法的复杂度是 $M^3$ ,并使用 Burshtein 的定理来证明最优性。
Jul, 2011
本文研究了在量子通道有噪声的情况下,利用量子纠缠资源可以向其中发送的信息量。作者引入了共享纠缠对于该容量的增益和应用该方法分析了两个个具有代表性的通道。
Jun, 2001
本文介绍了通过量子查询和量子示例从学习布尔函数的算法的复杂性的新结果,其中我们探讨了中间问题的量子和经典查询复杂度与精确学习问题和谐平衡的自然问题,并提高了期望严格学习的新下界,以达到经典 PAC 学习的已知上界。
Nov, 2004
研究 PAC 学习量子过程问题,给出了样本复杂度估计,并推广了此问题到量子世界,得出了量子电路可在多项式样本下进行 PAC 学习且可近似区分量子状态。
Oct, 2018
利用神经分布转换器(NDT)模型对连续字母信道进行容量估计,从而推导出一种新的估计框架来逐步最大化目标函数中的分数,以便进行准确的估计。
Mar, 2020
本文研究了经典神经网络的普适逼近定理在量子设置下的拓展,通过参数化量子电路近似传统函数,并提供精确的误差界,并将结果推广到模拟经典储备神经网络的随机量子电路。结果表明,一个具有 O (ε^-2) 个权重和 O (⌈log_2 (ε^-1)⌉) 个量子比特的量子神经网络可以在近似具有可积傅里叶变换的函数时达到精度 ε>0。
Jul, 2023