1474 articoli
La matematica dell'informazione, spesso indicata come "Math — It", esplora come i dati vengono codificati, trasmessi e compresi. Questo campo tocca la teoria dell'informazione, la crittografia e l'apprendimento automatico, rivelando le regole matematiche che governano il flusso di conoscenza nel nostro mondo digitale.
Su Gist.Science, analizziamo sistematicamente ogni nuovo preprint in questa categoria proveniente direttamente da arXiv. Per ogni articolo, offriamo una sintesi tecnica approfondita affiancata da una spiegazione accessibile in linguaggio semplice, rendendo queste ricerche complesse comprensibili a tutti, dai docenti agli appassionati.
Di seguito trovate l'elenco aggiornato dei recenti contributi in questo affascinante settore, pronti per essere esplorati e compresi.
Questo articolo introduce una definizione semplificata di tempo di arresto per formulare regole decisionali sequenziali ottimali sia per reti di rilevamento centralizzate che distribuite strutturate come grafi diretti aciclici, derivando e validando limiti superiori per il tempo di arresto ottimale.
Questo articolo stabilisce una connessione teorica tra la regolarizzazione basata sulla f-divergenza e la Sharpness-Aware Minimization (SAM) dimostrando che entrambi i metodi inducono penalità sensibili alla curvatura attraverso espansioni locali del secondo ordine, e valida empiricamente che massimizzare tale penalizzazione della curvatura tramite la divergenza di Jensen-Shannon simmetrica porti a minimi più piatti e a una migliore generalizzazione.
Questo articolo introduce una gerarchia ermitiana di somma di quadrati per la codifica di canali quantistici che raggiunge una convergenza quadratica nel suo livello, migliorando significativamente i precedenti limiti di errore dell'inverso della radice quadrata sfruttando la dualità della discriminazione degli stati e nuclei polinomiali positivi per costruire certificati duali ammissibili.
Questo articolo costruisce cinque nuove famiglie di codici quantistici MDS -ari con distanze minime superiori a utilizzando i complementi di unioni di sottoinsiemi di campi finiti per generare codici di Reed-Solomon generalizzati ermitiani auto-ortogonali, ottenendo così distanze minime strettamente maggiori rispetto a diverse costruzioni esistenti per infiniti numeri primi potenze dispari .
Questo articolo stabilisce che la POVM covariante a peso massimo è globalmente ottimale per la predizione di stati puri Haar-Bayesiana sotto perdita di entropia relativa, raggiungendo il rischio minimo e la massima purezza del posteriore riducendo le misure collettive arbitrarie alle loro marginali a una particella.
Questo articolo risolve un problema aperto di lunga data nella teoria dell'informazione quantistica dimostrando che due canali quantistici con capacità privata nulla possono essere utilizzati congiuntamente per ottenere la superattivazione, consentendo la comunicazione privata sicura attraverso uno schema di codifica specifico che è stato inizialmente identificato con l'aiuto di modelli linguistici di grandi dimensioni e formalmente verificato in Lean 4.
Questo articolo stabilisce che la dimensione massima di un codice di permutazione ricorsivamente esteso sotto la distanza di Chebyshev è , eguagliando la dimensione dei codici di permutazione di gruppo a prodotto diretto, fornendo al contempo algoritmi efficienti di codifica e di decodifica a distanza limitata .
Questo articolo introduce un nuovo protocollo di scambio di chiavi che utilizza azioni di matrici circolanti su un semianello congruenza-semplice, dettagliando la generazione delle matrici richieste e analizzando l'efficienza computazionale del sistema e la sua resistenza agli attacchi noti.
Questo articolo propone un framework di elaborazione statistica del segnale per la mitigazione degli errori quantistici che combina uno stadio di filtraggio per rimuovere il rumore di depolarizzazione con un algoritmo di aspettativa-massima per derivare stime di massima verosimiglianza degli output privi di rumore, dimostrando la sua efficacia e scalabilità sia su dati simulati che su dati sintetici NISQ.
Questo articolo stabilisce le condizioni sufficienti per la complessità campionaria del recupero di segnali binari sparsi utilizzando misurazioni gaussiane sparse e sparsificate, rivelando una soglia informazionale che quantifica il costo logaritmico della scarsità di misurazione e dimostrando al contempo che la sparsificazione di design densi può ottenere guadagni computazionali quasi lineari con requisiti minimi di dimensione del campione.