XiaoMi-AI文件搜索系统
World File Search System先验概率
多方 QKD 的广义顺序状态鉴别及其光学实现
顺序状态鉴别是一种针对 N 个分离接收方的策略。由于顺序状态鉴别可以应用于多方量子密钥分发 (QKD)，它已成为量子信息理论中的相关研究领域之一。到目前为止，顺序状态鉴别的分析仅限于特殊情况。在本报告中，我们考虑了顺序状态鉴别的广义化。在这里，我们不限制先验概率以及量子态和接收方的数量。我们表明广义顺序状态鉴别可以表示为优化问题。此外，我们研究了两个量子态的广义顺序状态鉴别的结构并将其应用于多方 QKD。我们证明，当接收方数量不太多时，两个纯态的广义顺序状态鉴别可以适用于多方 QKD。此外，我们表明两个混合状态的广义顺序状态鉴别可以以较高的最佳成功概率进行。这个最佳成功概率甚至高于量子复制和量子广播策略。因此，混合状态的广义顺序状态鉴别足以执行多方 QKD。此外，我们证明了广义顺序状态鉴别可以通过使用线性光学实验实现。最后，我们分析了最佳顺序状态鉴别提供的多方 QKD 安全性。我们的分析表明，即使在低信道效率下，多方 QKD 也能保证非零密钥速率。
智能机器时代的贝叶斯
18 世纪，托马斯·贝叶斯 (Thomas Bayes) 提出了一个激进的想法：用概率来表示我们认为假设正确的程度 (Bayes, 1763/1958)。他在一场赌博游戏中这样做：在经历了一定数量的输赢之后，你赢的概率有多大？使用概率论根据数据更新我们的信念程度的想法是我们现在所说的贝叶斯规则的基础（见图 1）。贝叶斯可能认为他的工作具有较低的概率，而这一模型在 200 多年后成为贝叶斯认知模型的基础，该模型从理性信念更新的角度解释人类行为（例如，Griffiths 等人，2010 年）。贝叶斯认知模型解释了归纳推理——从有限的数据得出不确定结论的过程，例如根据在对话中听到的新词推断其含义。在贝叶斯模型中，这种推断是将数据（例如，你听到新词的上下文）与我们对世界的现有期望（例如，对一个词可能具有何种含义的期望）相结合的结果。这些期望以假设的“先验分布”来表达，更合理的假设具有更高的先验概率。这捕捉到了学习者的“归纳偏差”——那些影响学习者选择的假设的数据以外的因素（Mitchell，1997）。先验分布可以定义为
基于传感器相关性情绪识别分类的稀疏Granger因果关系分析模型
近年来，基于脑电图（EEG）数据的情感计算吸引了人们的注意力越来越多。作为经典的EEG特征提取模型，Granger因果关系分析已被广泛用于情感分类模型，该模型通过计算EEG传感器之间的因果关系并选择关键的EEG特征来构建大脑网络。传统的EEG Granger因果关系分析使用L 2规范从数据中提取特征，因此结果容易受到脑电图的影响。最近，一些研究人员提出了基于绝对收缩和选择操作员（Lasso）和L 1/2规范的Granger因果关系分析模型来解决此问题。但是，常规的稀疏Granger因果关系分析模型假设每个传感器之间的连接具有相同的先验概率。本文表明，如果可以将每个传感器的脑电图数据之间的相关性添加到Granger因果关系网络中，则可以作为先验知识，则可以增强稀疏Granger因果模型的EEG特征选择能力和情感分类能力。基于这个想法，我们提出了一个新的情感计算模型，该模型将基于传感器相关（SC-SGA）的稀疏Granger因果关系分析模型。SC-SGA基于L 1 /2规范框架进行特征提取，将传感器作为先验知识之间的相关性与Granger因果关系分析，并使用L 2 Norm Logistic回归作为情感分类算法。我们使用两个真实的脑电图数据集报告了实验的结果。这些结果表明，SC-SGA模型的情绪分类准确性比现有模型的情绪分类精度高出2.46–21.81％。
![arXiv:2006.08822v1 [quant-ph] 2020 年 6 月 15 日](/simg/g:\will\search\icon\source\5\596e780a082ed603e08f0a1f95a5e3747015fc64.webp)
arXiv:2006.08822v1 [quant-ph] 2020 年 6 月 15 日
在量子信息处理与计算中，凸结构在量子态、量子测量和量子信道的集合中起着重要作用。一个典型的凸结构问题是量子态鉴别，它从一组给定的量子态 {| Ψ i ⟩} ni =1 中区分出一个量子态，其中先验概率 pi 满足 P nipi = 1，参见[1–4]。最近，[5–8] 考虑了不可用量子态到可用状态集合的最佳近似问题。对于给定状态 ρ，问题改写为从 {| Ψ i ⟩} ni =1 中寻找最难区分的状态，使得 ρ 与凸集 P nipi | Ψ i ⟩⟨ Ψ i | 之间的距离最小[7]，该问题的解决有利于可用量子资源的选择[9–11]。与量子相干性和量子纠缠中距离测度的选择类似，我们在这里采用迹范数作为距离测度[12–18]。一个重要的问题是如何选择基{| Ψ i ⟩} ni =1。在量子信息处理中，人们一般关注逻辑门在制备量子态时的可用性。从资源论的角度看，所谓可用态通常意味着它们可以很容易地制备和操纵。在光学实验中，倾斜放置的偏振器将输入光子态转换为真实量子逻辑门的本征态。如果半波片与水平轴以π/ 8倾斜放置，则构成阿达玛门[19, 20]。因此，无论从实验可用性还是态制备的可行性角度，将真实量子逻辑门的本征态视为可用基都是有意义的。给出的不确定关系