arXiv · quant-ph· Igor C. Oliveira·· 4 小时前精选
研究在大误差率下建立量子与经典 PAC 学习的无条件分离
Unconditional Quantum PAC Learning Advantage in the Large Error Regime
arXiv:2610.23268v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Igor C. Oliveira
研究任务与主要进展
作者在大误差率下证明，量子 PAC 学习相对经典 PAC 学习具有无条件超多项式优势：对任意 λ(n)=n^{-ω(1)}，其多项式时间量子学习器可仅用量子随机样本输出多项式大小确定性经典电路，并以至少 1−1/n^k 的成功概率达到 1/2+λ(n) 的一致率。
阶段、条件与复现 · 深读核对
- 任务输出与输入访问模型是什么？
- 在什么假设、规模与资源条件下成立？
- 与哪种经典基线比较，是否计入编码与读出？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
本站判断
基于论文摘要，作者在大误差率下建立了量子与经典 PAC 学习之间的无条件超多项式分离，并给出基于量子随机样本、干涉和确定性经典电路输出的学习器。关键影响条件是多项式时间与高成功概率的约束；材料仅提供摘要，未说明完整证明细节，小误差率分离则涉及 NP 与 BPP 的复杂性后果。
来源：arXiv · quant-ph · arxiv.org