shun-quantum-icc/add_linkselfie/memo.txt

linkselfieのストーリー

背景：量子ネットワークでは長距離伝送にエンタングルメントを用いるが、ノイズでリンク品質（忠実度）が劣化するため、送信前にリンク品質の検証（Network Benchmarking）が必要。ただし複数リンクを一様に測るとコスト（バウンス・反復）が大きい。

動機：実運用で使うのは少数の高忠実度リンクだけ。低忠実度リンクを高精度に測るのは無駄なので、悪いリンクを早期に捨て、資源消費を抑えて良いリンクだけを精密化したい（しかもベンチマークはバッチ型で柔軟に1回ずつ引けない）。

目的：最小限の量子資源で最良リンクを高信頼で特定し、その忠実度を十分な
精度で推定するアルゴリズムの設計・保証・実証。具体的には LinkSelFiE を
提案し、新しい信頼区間に基づく段階的淘汰で資源削減を図り、正しさとコス
ト上界を理論立証し、シミュレーションで有効性を示す。



自分の研究のストーリー
背景 量子ネットワークにおいて忠実度を高いリンクを効率的に判定する手法 LinkSelFiE が提案されている
動機 LinkSelFiE は通信需要を考慮していないが、現実には通信需要が高くかつ忠実度の高いリンクの判定が望まれる
目的 少ない計測 (バウンス) により利用率 x 忠実度が高いリンクの判定を可能とする



確認
LinkSelFiEの思想は、悪い候補にはほぼ費やさず、有望候補群にメリハリ配分
し、必要ならε-最適やTop-Kで止めること。
-> つまり、最良のリンクを特定することよりも、忠実度が上位のリンクに資
源を割くことが目的?
読む(関連研究)
linkselfieを引用している論文があったら読む
作者の論文

上位のリンク数本を測定するのが大事
なぜかを調べる



- 実装予定の評価指標とそのストーリー
- 精度と測定資源の削減のトレードオフの正解を信頼度deltaによって決める




- 実装予定のベースライン手法
- uniform-linkselfieよりも少し賢い手法
  - 全てのリンクをまとめてlinkselfieを適用する手法
  - 重要度と忠実度の積に対してlinkselfieを行なう

- 信頼度deltaとリンクの本数からノードペア間に割く測定資源の上限を設定
  - 上限に達するとlinkselfieを打ち切る


- 重要度に比例して傾斜的に資源を割りあてる手法
  - ノードペア間では等しく配分



目的を考えて答えがでるときと出ないときがある
実験やったら理解が深まるかも
両方やる

性能の良さで勝負するのは厳しい

自分の研究の売りは何か
通信需要を考えた条件を最初に示したのが売り

評価指標はこだわる必要がある
-> だれも評価したことないから

その他の論文を読んだほうがいいか->yes
読んでから考えたほうがいいか->わからない

ネットワークアーキテクチャの論文も読むべき
幅広く読むべき、深く読むべき ものによる

どこに使えるか

読者が読んだときに何をインパクトとして受けとるかを考えて書く必要がある
自分でアピールする

-> 通信需要を考えた条件を最初に示したのが売り

ストーリーもそのようにする必要がある



- linkselfieは通信需要を考慮した環境でも良かった。







理想的な配分が何かを考える必要がある

宛先ノードがいくつかあり、それぞれの通信需要が分かっているときの理想的
な測定資源の配分の仕方って何?

- まず、入力として何がある？
  - どれくらいの粒度で測定をするかを表わす、信頼度delta
  - 真の忠実度のlist
  - 重要度のlist
価値レグレット
使えると判断する基準は？
linkselfieだと信頼度を満たすと判断するが、ベースラインのvanillaなどは全リンク均等配分するためそのような機能は備わっていない





PAC停止
各ペアiの最良リンクにおいて
UCB,LCBを求める(信頼区間の上限、下限)
重要度Iをかけて、
UB = I_i x UCB_i , LB = I_i x LCB_iを求める

LBが負になる場合はKを自動決定するが、そうはならないので
実際はUBとLBの差を監視する

Coverage

リンクごとの忠実度の信頼区間の下限LCB_ij
ノードの重要度I_i
としたときに
閾値dを越えるI_i x LCB_ijを何本獲得できたか


価値レグレット
coverageの閾値を考慮しないver
値としてsum(I_i x LCB_ij)を計算し、真値のsum(I_i x F*_ij)と比較する
選ばれるリンクはペア間で最大の忠実度のリンクのみ

この3つに言えることだが、ベースラインはどのような手法を想定している？


** ミーティング
ノードS〜ノードD 間のリンク集合 Ｌ だけでなく、
ノードS〜ノードD_n間のリンク集合 L_n (1 <= n <= N, N はノードSの隣接ノード数)がそれぞれ入力される。
ノードS〜ノードD_n間の重要度 I_n (0〜1 の値) が入力として与えられる。
総バウンスコスト C が入力として与えられる。
この時、ノードS〜ノードD_n のノードペアの中で、
K 個のノードペア (S, D_s_1), (S, D_s_2), ... (S, D_s_K) における
忠実度が最大のリンクをそれぞれ発見する。
ただし、発見するリンクのノードペア数 K は、
重要度と忠実度の積の総和、つまり
I = \sum_{k = 1}^K I_s_k * F_s_k
が最大となるように定める。
ここで F_n は (S, D_n) 間において忠実度の最大のリンクの忠実度である。

A. この拡張問題は、複数のノードペア (S, Dₙ) に対して、限られたリソース（バウンスコスト）の中で、重要なノードペアの
高忠実度リンクを選定する最適化問題です。以下に、この問題の形式的な定義
を記述します。



- 先生のストーリー案に関するchatGPTとの対話をもう1度読みなおした
- 現状の評価指標では
発見するリンクのノードペア数 K は、重要度と忠実度の積の総和、つまりI =
\sum_{k = 1}^K I_s_k * F_s_kが最大となるように定める。
ん