論文の概要: Machine Learning Based Parameter Estimation of Gaussian Quantum States
- arxiv url: http://arxiv.org/abs/2108.06061v1
- Date: Fri, 13 Aug 2021 04:59:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-18 15:06:05.938701
- Title: Machine Learning Based Parameter Estimation of Gaussian Quantum States
- Title(参考訳): 機械学習によるガウス量子状態のパラメータ推定
- Authors: Neel Kanth Kundu, Matthew R. McKay, and Ranjan K. Mallik
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 14.85374185122389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a machine learning framework for parameter estimation of single
mode Gaussian quantum states. Under a Bayesian framework, our approach
estimates parameters of suitable prior distributions from measured data. For
phase-space displacement and squeezing parameter estimation, this is achieved
by introducing Expectation-Maximization (EM) based algorithms, while for phase
parameter estimation an empirical Bayes method is applied. The estimated prior
distribution parameters along with the observed data are used for finding the
optimal Bayesian estimate of the unknown displacement, squeezing and phase
parameters. Our simulation results show that the proposed algorithms have
estimation performance that is very close to that of Genie Aided Bayesian
estimators, that assume perfect knowledge of the prior parameters. Our proposed
methods can be utilized by experimentalists to find the optimum Bayesian
estimate of parameters of Gaussian quantum states by using only the observed
measurements without requiring any knowledge about the prior distribution
parameters.
- Abstract(参考訳): 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。
ベイズ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。
位相空間の変位とスクイーズパラメータ推定には、期待最大化(EM)に基づくアルゴリズムを導入し、位相パラメータ推定には経験的ベイズ法を適用した。
観測データとともに推定された事前分布パラメータを用いて, 未知の変位, スクイーズ, 位相パラメータのベイズ推定値を求める。
シミュレーションの結果,提案アルゴリズムは推定性能が,先行するパラメータの完全な知識を仮定したジェニー支援ベイズ推定器と非常に近いことがわかった。
提案手法は, ガウス量子状態のパラメータの最適ベイズ推定を, 先行分布パラメータの知識を必要とせず, 観測値のみを用いることで, 実験者により利用することができる。
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) - Finding the optimal probe state for multiparameter quantum metrology
using conic programming [61.98670278625053]
本稿では,対応する精度境界に対する最適プローブ状態を決定するための円錐型プログラミングフレームワークを提案する。
また、この理論を量子プローブ状態を用いた標準場センシング問題の解析にも応用する。
論文 参考訳(メタデータ) (2024-01-11T12:47:29Z) - Provably Efficient Bayesian Optimization with Unbiased Gaussian Process
Hyperparameter Estimation [52.035894372374756]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - 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) - Bayesian Analysis for Over-parameterized Linear Model without Sparsity [8.1585306387285]
本研究では,データ共分散行列の固有ベクトルに依存する事前分布を用いたベイズ的手法を提案する。
また、導出した後続推定の収縮率も提供し、後続分布のガウス近似を計算した。
これらの結果は,データスペクトルを処理し,非スパースな高次元パラメータを推定できるベイズ的手法が実現可能であることを示唆している。
論文 参考訳(メタデータ) (2023-05-25T06:07:47Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳(メタデータ) (2022-09-27T07:58:25Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Bayesian parameter estimation using Gaussian states and measurements [0.0]
連続変数量子距離論における3つのパラダイム的推定スキームについて考察する。
ホモダインおよびヘテロダイン検出において,単一モードガウス状態で達成可能な精度について検討した。
これにより、優れた性能と単純な実験的実現の可能性を組み合わせたベイズ推定戦略を特定できる。
論文 参考訳(メタデータ) (2020-09-08T12:54:12Z) - A machine learning approach to Bayesian parameter estimation [0.0]
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。
論文 参考訳(メタデータ) (2020-06-03T16:33:21Z) - Estimating Basis Functions in Massive Fields under the Spatial Mixed
Effects Model [8.528384027684194]
大規模データセットでは、予測最大化(EM)アルゴリズムを用いた定位クリグが、通常の計算で禁止されるクリグ法に代わるものとして提案されている。
本研究では,空間混合効果(SME)モデルを用いた代替手法を開発したが,観測値と結び目の間の空間依存性の範囲をAECMアルゴリズムを用いて推定することで,さらなる柔軟性を実現することができる。
実験により,予測精度を犠牲にすることなく,余剰パラメータ推定の計算負担を最小化しながら,予測精度の向上を図っている。
論文 参考訳(メタデータ) (2020-03-12T19:36:40Z)
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。