Fugu-MT 論文翻訳(概要): Total variance and invariant information in complementary measurements

論文の概要: Total variance and invariant information in complementary measurements

arxiv url: http://arxiv.org/abs/2005.11521v1
Date: Sat, 23 May 2020 12:03:50 GMT
ステータス: 処理完了
システム内更新日: 2023-05-18 23:38:15.097182
Title: Total variance and invariant information in complementary measurements
Title（参考訳）: 相補的測定における全分散と不変情報
Authors: Bin Chen, Shao-Ming Fei
Abstract要約: このような種類の量子測定に関連するBrukner-Zeilinger不変情報は、最大分散と得られた全分散との差に等しいことを示す。これらの結果は、Brukner-Zeilinger不変情報の以前の解釈と運用上のリンクを提供する。
参考スコア（独自算出の注目度）: 3.8510077621607133
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We investigate the total variance of a quantum state with respect to a complete set of mutually complementary measurements and its relation to the Brukner-Zeilinger invariant information. By summing the variances over any complete set of mutually unbiased measurements and general symmetric informationally complete measurements respectively, we show that the Brukner-Zeilinger invariant information associated with such types of quantum measurements is equal to the difference between the maximal variance and the total variance obtained. These results provide an operational link between the previous interpretations of the Brukner-Zeilinger invariant information.
Abstract（参考訳）: 相互補完的な測定の完全な集合に対する量子状態の総分散と、Brukner-Zeilinger不変情報との関係について検討する。相互に偏りのない測定の任意の完全集合と一般対称な情報完全測定の分散をそれぞれ合計することにより、このような量子測定に関連付けられたブルクナー・ツァイリンガー不変情報は、得られた最大分散と全分散の差に等しいことを示す。これらの結果は、Brukner-Zeilinger不変情報の以前の解釈と運用上のリンクを提供する。

関連論文リスト

Emergent Equivariance in Deep Ensembles [2.6681297407122577]
深層アンサンブルは、データ拡張を用いることで、全ての入力とあらゆる訓練時間に等しくなることを示す。これは、個々のアンサンブルメンバーの予測が同変ではなく、集合的予測であるという意味で創発的である。
論文参考訳（メタデータ） (2024-03-05T16:43:25Z)
SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
論文参考訳（メタデータ） (2023-08-16T14:25:30Z)
Semantic Equivariant Mixup [54.734054770032934]
Mixupは、トレーニング分布を拡張し、ニューラルネットワークを正規化する、確立されたデータ拡張テクニックである。以前のミックスアップの変種はラベル関連の情報に過度に焦点をあてる傾向がある。入力中のよりリッチな意味情報を保存するための意味的同変混合(sem)を提案する。
論文参考訳（メタデータ） (2023-08-12T03:05:53Z)
Uncertainty of quantum channels via modified generalized variance and modified generalized Wigner-Yanase-Dyson skew information [4.73944507784056]
不確実性関係は、量子力学と量子情報理論の基本的な問題である。量子チャネルの全体的および量子的不確かさを同定する。純状態に対する量子チャネルの総/量子不確実性を測定する方法について論じる。
論文参考訳（メタデータ） (2022-08-14T05:29:14Z)
On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
一般化は、見えないデータを分類するモデルの能力をキャプチャする。不変性はデータの変換におけるモデル予測の一貫性を測定する。データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
論文参考訳（メタデータ） (2022-07-14T17:08:25Z)
Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文参考訳（メタデータ） (2022-04-07T17:59:19Z)
Product and sum uncertainty relations based on metric-adjusted skew information [3.6933317368929197]
計量調整スキュー情報の積および和形式における不確実性について検討する。計量調整スキュー情報に基づく積と和の不等式に関する下限を示す。
論文参考訳（メタデータ） (2022-04-01T10:16:27Z)
Tighter Expected Generalization Error Bounds via Convexity of Information Measures [8.359770027722275]
一般化エラー境界は機械学習アルゴリズムを理解するのに不可欠である。本稿では,出力仮説と各入力トレーニングサンプル間の平均結合分布に基づいて,新たな一般化誤差上限を提案する。
論文参考訳（メタデータ） (2022-02-24T15:36:09Z)
Uncertainty and complementarity relations based on generalized skew information [0.0]
不確実性関係と相補性関係は、量子力学と量子情報理論における中核的な問題である。我々は、相互に偏りのない測定に関して、いくつかの不確実性と相補的な関係を導出する。
論文参考訳（メタデータ） (2021-08-05T04:13:45Z)
Learning Equivariant Energy Based Models with Equivariant Stein Variational Gradient Descent [80.73580820014242]
本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
論文参考訳（メタデータ） (2021-06-15T01:35:17Z)
Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文参考訳（メタデータ） (2021-06-01T19:19:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。