XiaoMi-AI文件搜索系统
World File Search SystemArunachalam
综合器官免疫：由BCG造成的抗原特异性CD4-T细胞衍生的IFN-γ造成了长期的肺对呼吸病毒的先天抗性
Audrey Lee 1，Katharine Floyd 2，Shengyang Wu 1，1，1，1，1，1，1，1，1，5 Harolds，5，5，5，5，5，Anna Pavenko 5，Victor Lujan 1 Garry P. Nolan 3，Prabhu Arunachalam 1，Mehul Suthar 2，BaliAudrey Lee 1，Katharine Floyd 2，Shengyang Wu 1，1，1，1，1，1，1，1，1，5 Harolds，5，5，5，5，5，Anna Pavenko 5，Victor Lujan 1 Garry P. Nolan 3，Prabhu Arunachalam 1，Mehul Suthar 2，Bali
量子 PAC 学习的可证明优势
我们重新审视了 Bshouty 和 Jackson [SIAM J. Comput. 1998, 28, 1136–1153] 提出的表征量子 PAC 学习复杂性的问题。在这种情况下，已经证明了几种量子优势，然而，没有一种是通用的：它们适用于特定的概念类，并且通常仅在已知生成数据的分布时才有效。在一般情况下，Arunachalam 和 de Wolf [JMLR, 19 (2018) 1-36] 最近表明，量子 PAC 学习者只能获得相对于传统 PAC 学习者的常数因子优势。我们表明，通过自然扩展 Arunachalam 和 de Wolf 使用的量子 PAC 学习定义，我们可以在量子学习中获得通用优势。确切地说，对于任何 VC 维度为 d 的概念类 C，我们表明存在一个具有样本复杂度的 (ϵ, δ)-量子 PAC 学习者
通过信息理论实现量子学习的最佳下界*
摘要 尽管在某些情况下使用量子样本可能比使用经典样本更有效地学习概念类，但 Arunachalam 和 de Wolf [3] 证明，在量子 PAC 和不可知论学习模型中，量子学习者的渐近效率并不比经典学习者更高。他们通过量子态识别和傅里叶分析建立了样本复杂度的下限。在本文中，我们通过信息论方法推导出 PAC 和不可知论模型中量子样本复杂度的最佳下限。证明可以说更简单，相同的想法可用于推导出量子学习理论中其他问题的最佳界限。然后，我们转向优惠券收集器问题的量子类似物，这是概率论中的一个经典问题，在 PAC 学习研究中也具有重要意义。Arunachalam、Belovs、Childs、Kothari、Rosmanis 和 de Wolf [1] 将该问题的量子样本复杂度表征为常数因子。首先，我们证明了上述信息论方法无法得出最佳下限。作为副产品，我们得到了任意高维纯态的自然集合，这些纯态不易（同时）区分，而集合具有接近最大的 Holevo 信息。其次，我们发现信息论方法为该问题的近似变体得出了渐近最佳界限。最后，我们通过广义 Holevo-Curlander 集合可区分性界限，推导出具有精确领先阶项的量子优惠券收集器问题的尖锐下限。我们研究的量子优惠券收集器问题的所有方面都取决于相关 Gram 矩阵的谱的属性，这可能是独立的兴趣所在。
ncseemmt-2024-dst-purse
组织委员会教授Kusum Arunachalam教授，Senr S.S. Suthar教授，Senr Dr。 Suneet Naithani，Senr Vipin Kumar Saini博士，Senr Dr。 Achlesh Daverey，Senr Dr。 Archana Sharma，Senr博士Vijay Sridhar博士，Senr Ujjwal Kumar博士，Senr Dr。 Rommla Chandra，Senr Arun Kumar博士，化学Charu Dwivedi博士，化学博士Shivani Verma博士，化学博士Himani Sharma博士，物理学博士Vikas Sharma博士，物理学Khushboo博士，物理学博士，物理学Mishra，CS Anuj Kumar博士，CS Maheep Singh博士
量子证明复杂性的下限
此外，我还要感谢伯克利的博士后，他们同样公开地为我提供了时间、想法和友谊：Rotem Arnon-Friedman、Anurag Anshu、Adam Bouland、Andrea Coladangelo 和 Henry Yuen。我特别要感谢 Anurag，首先他是我的朋友，其次在 COVID-19 大流行期间非常支持我的想法，并与我一起写出了一些很棒的结果，这些结果构成了本论文的核心。此外，Anand Natarajan 一直很高兴与我合作进行研究，我很高兴他是我的朋友和搭档厨师。我也很幸运能与许多其他优秀科学家合作：Srinivasan Arunachalam、Thom Bohdanowicz、Sergey Bravyi、Nikolas Breuckmann、Elizabeth Crosson、Bill Fefferman、Sandy Irani、Bryan O'Gorman 和 Sujit Rao；研究并不是在真空中进行的。
傅立叶完全有界多项式的影响...
摘要：我们对 Arunachalam、Briët 和 Palazuelos (SICOMP'19) 的主要结果进行了新的介绍，并表明量子查询算法由一类新的多项式来表征，我们称之为傅里叶完全有界多项式。我们推测所有这样的多项式都有一个影响变量。这个猜想比著名的 Aaronson-Ambainis (AA) 猜想（计算理论'14）要弱，但对量子查询算法的经典模拟具有相同的含义。我们通过证明它适用于齐次傅里叶完全有界多项式来证明 AA 猜想的一个新案例。这意味着如果 d 查询量子算法的输出是 2 次 d 的齐次多项式 p，那么它有一个影响变量至少为 Var [ p ] 2。此外，我们给出了 Bansal、Sinha 和 de Wolf (CCC'22 和 QIP'23) 的结果的另一种证明，表明块多线性完全有界多项式具有影响变量。我们的证明更简单，获得更好的常数，并且不使用随机性。
混合量子-经典方法
参考文献 [1] M. Benedetti、E. Lloyd、S. Sack 和 M. Fiorentini，“参数化量子电路作为机器学习模型”，载于《量子科学与技术》4，043001 (2019)。 [2] S. Jerbi、LJ Fiderer、HP Nautrup、JM Kübler、HJ Briegel 和 V. Dunjko，“超越核方法的量子机器学习”，arXiv 预印本 arXiv:2110.13162 (2021)。 [3] V. Havlicek、AD Corcoles、K. Temme、AW Harrow、A. Kandala、JM Chow 和 JM Gambetta，“使用量子增强特征空间的监督学习”，载于《自然》567，209 (2019)。 [4] M. Schuld 和 N. Killoran，“特征希尔伯特空间中的量子机器学习”，载于《物理评论快报》122，040504 (2019)。[5] M. Schuld，“监督量子机器学习模型是核方法”，arXiv:2101.11020 (2021)。 [6] JE Johnson、V Laparra、A Perez-Suay、MD Mahecha 和 G Camps-Valls G，“核方法及其衍生物：地球系统科学的概念和观点”，载于 PLoS ONE 15(10 (2020)。[7] Benyamin Ghojogh、Ali Ghodsi、Fakhri Karray 和 Mark Crowley，“重现核希尔伯特空间、Mercer 定理、特征函数、Nystrom 方法和机器学习中核的使用：教程和调查”，arXiv 预印本 arXiv:2106.08443 (2021)。[8] Y. Liu、S. Arunachalam 和 K. Temme，“监督机器学习中严格而稳健的量子加速”，载于 Nature Physics 17, 1013 (2021)。[9] JR Glick、TP Gujarati、AD Corcoles、Y. Kim、A. Kandala、JM Gambetta 和 K. Temme，“具有群结构数据的协变量子核”，arXiv 预印本 arXiv:2105.03406 (2021)。[10] Francesco Di Marcantonio、Massimiliano Incudini、Davide Tezza 和 Michele Grossi，“QuASK——具有核的量子优势寻求者”，arXiv 预印本 arXiv:2206.15284 (2022)。[11] Supanut Thanasilp、Samson Wang、M Cerezo 和 Zoe Holmes。“量子核方法中的指数集中和不可训练性”，arXiv 预印本 arXiv:2208.11060 (2022)。 [12] Sergey Bravyi、Oliver Dial、Jay M. Gambetta、Dario Gil 和 Zaira Nazario，“超导量子比特的量子计算的未来”，arXiv 预印本 arXiv:2209.06841 (2022 年)。
18 岁以上的成年人
1. Flublok。处方信息。Protein Sciences Corporation。2. Fluarix。处方信息。GlaxoSmithKine。3. Flucelvax。处方信息。Seqirus Inc。4. Dunkle LM、Izikson R、Patriarca P 等人；PSC12 研究团队。重组流感疫苗对 50 岁或以上成人的疗效。N Engl J Med。2017；376(25):2427-2436。doi:10.1056/NEJMoa1608862 5. Grohskopf LA、Blanton LH、Ferdinands JM、Chung JR、Broder KR、Talbot HK。使用疫苗预防和控制季节性流感：免疫实践咨询委员会的建议——美国，2023-24 流感季节。 MMWR Recomm Rep 。2023；72 (No. RR-2)：1–25。doi:10.15585/mmwr.rr7101a1 6. Arunachalam AB、Post P、Rudin D。重组血凝素流感疫苗的独特特征会影响疫苗性能。NPJ 疫苗。2021；6：144。doi:10.1038/s41541-021-00403-7 7. 疾病控制与预防中心。流感疫苗——美国，2023-24 流感季节。 2023 年 8 月 24 日。2024 年 6 月 5 日访问。https://www.cdc.gov/flu/professionals/acip/2022-2023/acip-table.htm 8. Liu F、Gross FL、Joshi S 等人。重组或细胞培养流感疫苗与鸡蛋流感疫苗重复接种后从鸡蛋适应表位重定向抗体反应。自然通讯。2024；15(1):254。doi:10.1038/s41467-023-44551-x 9. Treanor JJ、El Sahly H、King J 等人。三价重组血凝素蛋白疫苗（Flublok ® ）对健康成人流感的保护作用：一项随机、安慰剂对照试验。疫苗。 2011;29(44):7733-7739。doi:10.1016/ j.vaccine.2011.07.128 10. Hsiao A、Yee A、Fireman B、Hansen J、Lewis N、Klein NP。65 岁以下成人的重组或标准剂量流感疫苗。N Engl J Med。2023；389:2245-2255。doi:10.1056/NEJMoa2302099 11. Sanofi Pasteur Inc. 存档数据。12. 疾病控制与预防中心。2018-2019 年流感相关疾病估计数。 2021 年 9 月 29 日。2024 年 6 月 5 日访问。https://archive.cdc.gov/#/details?url=https://www.cdc.gov/flu/about/burden/2018-2019.html 13. 加州公共卫生部。2018-2019 季节流感监测报告。2019 年 12 月。2024 年 6 月 5 日访问。https://www.cdph.ca.gov/Programs/CID/DCDC/CDPH%20Document%20Library/Immunization/Annual2018-19.pdf 14. 加州公共卫生部。2019-2020 季节流感监测报告。 2021 年 6 月。2024 年 6 月 5 日访问。https://www.cdph.ca.gov/Programs/CID/DCDC/CDPH%20Document%20Library/Immunization/Annual2019-20_FluReport.pdf 15. Zimmerman RK、Nowalk MP、Dauer K 等人。使用回顾性检测阴性设计评估重组和标准剂量流感疫苗对流感相关住院的疫苗有效性。疫苗。2023；41：5134-5140。doi:10.1016/j.vaccine.2023.06.056 16. Rhodes RT。选择流感疫苗。BioSupply Trends Quarterly。2013 年 7 月。2024 年 6 月 5 日访问。https://www.bstquarterly。com/Assets/downloads/BSTQ/Articles/ BSTQ_2013-07_AR_Choosing-Influenza-Vaccines.pdf 17. 疾病控制与预防中心。流感疫苗安全性与怀孕。2024 年 9 月。2024 年 10 月 14 日访问。https://www.cdc.gov/flu/vaccine-safety/vaccine-pregnant.html