热点事件持续更新
图态学习的非自适应紧界与自适应优势
1 篇报道1 个报道来源23 小时前更新
先了解这件事
AI 综述
2026-11-12，arXiv quant-ph 发布 Matteo De Francesco 的研究，讨论在局部 Pauli 测量（X、Y、Z 基）下学习未知 n 比特 d-正则图态的样本复杂度。该工作证明，非自适应策略在 d³ln n ≤ n 条件下需要 Ω(d² log n) 份拷贝，即使允许经典解码器出错少量边也如此，从而回答了 Ouyang 和 Tomamichel 提出的关于 d 的二次依赖是否必要的问题。这是目前该事件的首篇报道，尚无早先报道可供比对。
AI 根据报道生成 · 1 小时前更新
最新进展11月12日 16:08
首篇报道发布：证明非自适应策略需 Ω(d² log n) 份拷贝，回答 Ouyang 与 Tomamichel 的疑问。报道时间线
沿着报道，了解事件的不同侧面。
11月12日
- arXiv quant-ph（量子信息与量子物理）图态学习的非自适应紧界与自适应优势：局部 Pauli 测量下的样本复杂度
Matteo De Francesco 证明，用 X、Y、Z 基局部 Pauli 测量学习未知 n 比特 d-正则图态时，非自适应策略在 d³ln n ≤ n 条件下需要 Ω(d² log n) 份拷贝，即使允许经典解码器出错少量边也如此，回答了 Ouyang 和 Tomamichel 关于 d 二次依赖是否必要的问题。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。