Fugu-MT 論文翻訳(概要): Negative probabilities: What they are and what they are for

論文の概要: Negative probabilities: What they are and what they are for

arxiv url: http://arxiv.org/abs/2009.10552v2
Date: Wed, 30 Mar 2022 15:57:45 GMT
ステータス: 処理完了
システム内更新日: 2023-05-01 07:07:31.676035
Title: Negative probabilities: What they are and what they are for
Title（参考訳）: 負の確率:彼らが何であり、何のためにあるのか
Authors: Andreas Blass and Yuri Gurevich
Abstract要約: 観測空間 $mathcal S$ は確率分布の族で、$langle P_i: iin I rangle$ は共通のサンプル空間 $Omega$ を一貫した方法で共有する。 for $mathcal S$ は符号付き確率分布 $mathcal P$ on $Omega$ であり、すべての$i$に対して正しい辺分布 $P_i$ を得る。
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: An observation space $\mathcal S$ is a family of probability distributions $\langle P_i: i\in I \rangle$ sharing a common sample space $\Omega$ in a consistent way. A \emph{grounding} for $\mathcal S$ is a signed probability distribution $\mathcal P$ on $\Omega$ yielding the correct marginal distribution $P_i$ for every $i$. A wide variety of quantum scenarios can be formalized as observation spaces. We describe all groundings for a number of quantum observation spaces. Our main technical result is a rigorous proof that Wigner's distribution is the unique signed probability distribution yielding the correct marginal distributions for position and momentum and all their linear combinations.
Abstract（参考訳）: 観測空間 $\mathcal S$ は確率分布の族である: $\langle P_i: i\in I \rangle$ は共通のサンプル空間 $\Omega$ を一貫した方法で共有する。 A \emph{grounding} for $\mathcal S$ は符号付き確率分布 $\mathcal P$ on $\Omega$ であり、すべての$i$に対して正しい辺分布 $P_i$ を与える。様々な量子シナリオを観測空間として定式化することができる。我々は、多くの量子観測空間の全ての基底を記述する。我々の主な技術的結果は、ウィグナー分布が、位置と運動量とそれらの線形結合に対する正しい辺分布を与える一意な符号付き確率分布であることの厳密な証明である。

関連論文リスト

$L^1$ Estimation: On the Optimality of Linear Estimators [64.76492306585168]
この研究は、条件中央値の線型性を誘導する$X$上の唯一の先行分布がガウス分布であることを示している。特に、条件分布 $P_X|Y=y$ がすべての$y$に対して対称であるなら、$X$ はガウス分布に従う必要がある。
論文参考訳（メタデータ） (2023-09-17T01:45:13Z)
Robust Mean Estimation Without Moments for Symmetric Distributions [7.105512316884493]
大規模な対称分布に対して、ガウス的設定と同じ誤差を効率的に達成できることが示される。この最適誤差にアプローチする効率的なアルゴリズムの列を提案する。我々のアルゴリズムは、よく知られたフィルタリング手法の一般化に基づいている。
論文参考訳（メタデータ） (2023-02-21T17:52:23Z)
High-dimensional Location Estimation via Norm Concentration for Subgamma Vectors [15.802475232604667]
位置推定では、既知の分布から$n$のサンプルが与えられます。漸近的に、最大推定は誤差$mathcal N(0, frac1nmathcal I)$のクラム・ラオ境界を達成する。我々は、Emphsmoothed estimator を用いて、$mathcal I_r$, the Fisher information of the $r$-smoothed の有限$n$の誤差を束縛する理論を構築した。
論文参考訳（メタデータ） (2023-02-05T22:17:04Z)
Random quantum circuits transform local noise into global white noise [118.18170052022323]
低忠実度状態におけるノイズランダム量子回路の測定結果の分布について検討する。十分に弱くユニタリな局所雑音に対して、一般的なノイズ回路インスタンスの出力分布$p_textnoisy$間の相関(線形クロスエントロピーベンチマークで測定)は指数関数的に減少する。ノイズが不整合であれば、出力分布は、正確に同じ速度で均一分布の$p_textunif$に近づく。
論文参考訳（メタデータ） (2021-11-29T19:26:28Z)
Probabilistic Iterative Methods for Linear Systems [5.457842083043013]
我々は、 $mathbbRd$ 上の標準反復法が、確率分布の空間に作用するために、$mathcalP(mathbbRd)$ を解除することを示す。この論文で提案される反復的手法の出力は、数学P(mathbbRd)$における確率分布の列$mu_mである。
論文参考訳（メタデータ） (2020-12-23T11:55:57Z)
Sparse sketches with small inversion bias [79.77110958547695]
逆バイアスは、逆の共分散に依存する量の推定を平均化するときに生じる。本研究では、確率行列に対する$(epsilon,delta)$-unbiased estimatorという概念に基づいて、逆バイアスを解析するためのフレームワークを開発する。スケッチ行列 $S$ が密度が高く、すなわちサブガウスのエントリを持つとき、$(epsilon,delta)$-unbiased for $(Atop A)-1$ は $m=O(d+sqrt d/ のスケッチを持つ。
論文参考訳（メタデータ） (2020-11-21T01:33:15Z)
Multivariate mean estimation with direction-dependent accuracy [8.147652597876862]
独立な同一分布観測に基づくランダムベクトルの平均を推定する問題を考察する。確率ベクトルの1次元辺の分散があまり小さくない全ての方向において、ほぼ最適誤差を持つ推定器を証明した。
論文参考訳（メタデータ） (2020-10-22T17:52:45Z)
Near-Optimal SQ Lower Bounds for Agnostically Learning Halfspaces and ReLUs under Gaussian Marginals [49.60752558064027]
ガウス境界の下では、半空間とReLUを不可知的に学習する基本的な問題について検討する。我々の下限は、これらのタスクの現在の上限が本質的に最良のものであるという強い証拠を与える。
論文参考訳（メタデータ） (2020-06-29T17:10:10Z)
Uniform Probability Distribution Over All Density Matrices [0.0]
確率測度 $u$ on $mathscrD$ を $mathscrD$ 上の一様分布と見なすことができる。この測定値に従って分布するランダム密度行列の固有値の合同分布を計算する。
論文参考訳（メタデータ） (2020-03-29T17:45:52Z)
Locally Private Hypothesis Selection [96.06118559817057]
我々は、$mathcalQ$から$p$までの総変動距離が最良の分布に匹敵する分布を出力する。局所的な差分プライバシーの制約は、コストの急激な増加を引き起こすことを示す。提案アルゴリズムは,従来手法のラウンド複雑性を指数関数的に改善する。
論文参考訳（メタデータ） (2020-02-21T18:30:48Z)
Curse of Dimensionality on Randomized Smoothing for Certifiable Robustness [151.67113334248464]
我々は、他の攻撃モデルに対してスムースな手法を拡張することは困難であることを示す。我々はCIFARに関する実験結果を示し,その理論を検証した。
論文参考訳（メタデータ） (2020-02-08T22:02:14Z)

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。