論文の概要: A machine learning approach to Bayesian parameter estimation

• arxiv url: http://arxiv.org/abs/2006.02369v3
• Date: Tue, 21 Sep 2021 11:56:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 06:41:31.738648
• Title: A machine learning approach to Bayesian parameter estimation
• Title（参考訳）: ベイズパラメータ推定のための機械学習アプローチ
• Authors: Samuel P. Nolan, Augusto Smerzi and Luca Pezz\`e
• Abstract要約: パラメータ推定を分類タスクとして定式化し,ニューラルネットワークを用いてベイズ推定を効率的に行う。 本稿では,ネットワークの後方分布が,逆フィッシャー情報によって与えられる不確実性の中でパラメータの真(未知)値に集中していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian estimation is a powerful theoretical paradigm for the operation of quantum sensors. However, the Bayesian method for statistical inference generally suffers from demanding calibration requirements that have so far restricted its use to proof-of-principle experiments. In this theoretical study, we formulate parameter estimation as a classification task and use artificial neural networks to efficiently perform Bayesian estimation. We show that the network's posterior distribution is centered at the true (unknown) value of the parameter within an uncertainty given by the inverse Fisher information, representing the ultimate sensitivity limit for the given apparatus. When only a limited number of calibration measurements are available, our machine-learning based procedure outperforms standard calibration methods. Thus, our work paves the way for Bayesian quantum sensors which can benefit from efficient optimization methods, such as in adaptive schemes, and take advantage of complex non-classical states. These capabilities can significantly enhance the sensitivity of future devices.
• Abstract（参考訳）: ベイズ推定は量子センサの動作に関する強力な理論パラダイムである。 しかし、統計推論のベイズ法は通常、原理実証実験に制限されたキャリブレーション要件の要求に苦しむ。 本研究では,パラメータ推定を分類タスクとして定式化し,ニューラルネットワークを用いてベイズ推定を効率的に行う。 ネットワークの後方分布は,逆フィッシャー情報によって与えられる不確実性の中でパラメータの真の(未知)値を中心にしており,与えられた機器の最終的な感度限界を表している。 限られたキャリブレーション測定しかできない場合、機械学習に基づく手順は標準的なキャリブレーション法より優れている。 したがって,本研究は,適応スキームなどの効率的な最適化手法を活用し,複雑な非古典的状態を活用するベイズ量子センサへの道を開く。 これらの機能は将来のデバイスの感度を大幅に向上させることができる。

関連論文リスト

• Benchmarking Bayesian quantum estimation [0.0]
  この研究はベイズ推定を実装したプロトコルのベンチマークに焦点を当てている。 異なるメリットの数字を比較することにより、推定における2次誤差の中央値の使用に有利なエビデンスが提供される。 これらの結果は、量子推定フレームワーク内の現実的な問題に対する自然な応用を見出す。
  論文  参考訳（メタデータ） (2024-01-26T14:29:31Z)
• Function-Space Regularization in Neural Networks: A Probabilistic Perspective [51.133793272222874]
  所望の予測関数に関する情報をニューラルネットワークトレーニングに明示的にエンコードできる、モチベーションの高い正規化手法を導出できることが示される。 本手法の有効性を実証的に評価し,提案手法がほぼ完全なセマンティックシフト検出と高度に校正された予測不確実性推定に繋がることを示す。
  論文  参考訳（メタデータ） (2023-12-28T17:50:56Z)
• Model-aware reinforcement learning for high-performance Bayesian experimental design in quantum metrology [0.5461938536945721]
  量子センサは、様々なパラメータにわたる実験者による操作を可能にすることで、推定中に制御の柔軟性を提供する。 量子力学、推定、仮説テストにおいて、幅広い問題を最適化できる汎用的な手順を導入する。 粒子フィルタリングに基づくモデル認識強化学習(RL)とベイズ推定を組み合わせた。
  論文  参考訳（メタデータ） (2023-12-28T12:04:15Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
  線形化されたラプラス近似に下界を導入する。 これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
  論文  参考訳（メタデータ） (2023-06-06T19:02:57Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Machine Learning Based Parameter Estimation of Gaussian Quantum States [14.85374185122389]
  単一モードガウス量子状態のパラメータ推定のための機械学習フレームワークを提案する。 ベイジアン・フレームワークでは、測定データから適切な事前分布のパラメータを推定する。
  論文  参考訳（メタデータ） (2021-08-13T04:59:16Z)
• Frequentist Parameter Estimation with Supervised Learning [0.0]
  回帰を用いて未知パラメータの機械学習点推定を行う。 トレーニング数が大きい場合、これはよく知られた最大形推定器(MLE)と同一である。 機械学習推定器は,MLEの望ましい特性を,トレーニンググリッドの解像度に課せられる限界まで継承することを示す。
  論文  参考訳（メタデータ） (2021-05-26T02:24:25Z)
• Parameterized Temperature Scaling for Boosting the Expressive Power in Post-Hoc Uncertainty Calibration [57.568461777747515]
  我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。 最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。 当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2021-02-24T10:18:30Z)
• Diagnosing Imperfections in Quantum Sensors via Generalized Cram\'er-Rao Bounds [0.0]
  3階の絶対モーメントは、標準的な手法と比較して、推定におけるバイアスを明らかにする能力に優れていることを示す。 本研究は,高精度センサの正確な動作をモニタリングする上で,代替戦略の同定が有効であることを示す。
  論文  参考訳（メタデータ） (2020-01-07T08:21:18Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。