update

.#memo.org

@@ -1 +0,0 @@
-shun@a.1281:1756281689

add_linkselfie/main.py

@@ -58,7 +58,7 @@ def main():
     scheduler_names  = ["LNaive", "Greedy"]     # 実装済みスケジューラ名に合わせて
     node_path_list   = [5, 5, 5]                # ペアごとのリンク本数
     importance_list  = [0.3, 0.6, 0.9]          # value系＆weighted幅系で使用
-    budget_list      = [3000, 6000, 9000, 12000, 15000, 18000]
+    budget_list      = [3000, 6000, 9000]
     bounces          = (1, 2, 3, 4)             # 測定深さ候補（あなたの定義に従う）
     repeat           = 10                       # 反復回数（精度と時間のトレードオフ）
     delta            = 0.1                      # 幅用の信頼度パラメータ（Hoeffding）

tmp.org

@@ -0,0 +1,88 @@
+*** 9/26までに絶対必要なものを埋める
+**** アルゴリズム すぐおわる shun
+
+アルゴリズムの前提条件 制約条件など、どういう環境を仮定しているか
+- 入力
+- ネットワーク構成
+- N ∈ ℕ⁺：
+ ソースノード S に接続している隣接ノードの数（= ノードペア数）
+- Lₙ = {lₙ₁, ..., lₙ_Lₙ}：
+ 各ノードペア (S, Dₙ) における量子リンク集合。各リンク lₙⱼ は未知の忠実度 fₙⱼ ∈ [0,1] を持つ。
+
+- メタ情報
+- Iₙ ∈ [0, 1]：
+ ノードペア (S, Dₙ) の重要度（重み）
+- C ∈ ℝ⁺：
+ 使用できる総バウンスコスト（＝量子リソース上限）
+
+# - `M = {m₁, m₂, ..., m_M}`：
+#   バウンス回数**（リンクを何回往復させるか）の集合。
+
+# - `T`：
+#   各バウンス回数ごとの**繰り返し回数（実験回数）**。
+
+- 出力
+- ノードペア選定集合 S_sel = {n₁, n₂, ..., n_K}（|S_sel| = K）
+- 各選ばれたノードペア nₖ ∈ S_sel に対して、
+ 最大忠実度リンク lₙₖ* ∈ Lₙₖ とその推定忠実度 f̂ₙₖ*
+
+と論文にはある
+しかし今のアルゴリズムでは
+- 出力
+- 全リンクの推定忠実度
+- sum I * (sum (f̂ₙₖ* Bₙₖ))  (total value)
+になっている気がする
+
+- 制約条件
+- 評価にかかった総バウンスコストの合計が C を超えてはならない
+- 各リンク lₙⱼ の忠実度 fₙⱼ は、ネットワークベンチマーク（複数回バウンス）を通じて推定される
+
+
+
+**** 関連研究(引用した論文) shun
+- A benchmarking procedure for quantum networks
+  - ネットワークベンチマークについて
+  - ランダマイズド・ベンチマーク (RB) をネットワーク環境に拡張した ネッ
+    トワークベンチマーク (NB) を提案
+  - NBは量子ネットワークリンクの忠実度を効率的に推定するプロトコルである
+  - 要約
+    - 本論文は、量子ネットワークリンクの品質を効率的かつロバストに推定
+      する ネットワークベンチマーク を提案し、理論解析と NetSquid シミュ
+      レーションを通じてその有効性を示した研究である
+
+- Quantum BGP with Online Path Selection via Network Benchmarking
+ -  Quantum Border Gateway Protocol (QBGP)を提案
+   - 古典インターネットのBGPを量子ネットワークに適用したもの
+   - 各qISPの境界ノード（QBGPスピーカ）が非同期に情報を交換し、グロー
+     バルなトポロジ情報なしでルーティング
+ - Online Top-K Path Selection アルゴリズムを提案
+   - ネットワーク・ベンチマーク技術をベースにした「逐次学習」手法。
+   - 全てのパスを均等に測定するのではなく、情報利得（information gain）
+     を指標にして効率的に探索
+     - 情報利得について。
+       バウンス回数 m を選ぶと、リソース消費は 2m entangled pairs。
+       各 m に対してフィッシャー情報量 F(p_i, m) を計算し、それを 1リ
+       ソースあたりに正規化したものが情報利得: I(p_i, m) = F(p_i, m) /
+       (2m)
+
+
+
+-> 時間かかる
+オーバーヘッドの話(必要不必要関係なく) 証拠集めに時間かかる
+-> 証拠集めなしで一旦書く linkselfieの何倍くらいの時間がかかるか
+shun
+
+# 関連研究からやっていく
+# 過去の論文をみて参考にする
+# 15-25こ。1ページ前後
+1章で軽く触れる程度
+
+
+linkselfieに何書いているか読む
+linkselfieの関連研究を読む->まねできるところを探す
+GPTを1から10まで使わない
+論文を読む
+その後みずに書く
+重要度の研究があればみる
+
+追加で必要なところを考える

tmp.org~

@@ -0,0 +1,34 @@
+*** 9/26までに絶対必要なものを埋める
+アルゴリズム すぐおわる shun
+アルゴリズムの前提条件 制約条件など、どういう環境を仮定しているか
+-> 時間かかりそう shun
+
+
+
+
+
+
+
+
+
+
+関連研究(引用した論文) shun
+-> 時間かかる
+オーバーヘッドの話(必要不必要関係なく) 証拠集めに時間かかる
+-> 証拠集めなしで一旦書く linkselfieの何倍くらいの時間がかかるか
+shun
+
+# 関連研究からやっていく
+# 過去の論文をみて参考にする
+# 15-25こ。1ページ前後
+1章で軽く触れる程度
+
+
+linkselfieに何書いているか読む
+linkselfieの関連研究を読む->まねできるところを探す
+GPTを1から10まで使わない
+論文を読む
+その後みずに書く
+重要度の研究があればみる
+
+追加で必要なところを考える