論文の概要: Theory of versatile fidelity estimation with confidence
- arxiv url: http://arxiv.org/abs/2112.07947v1
- Date: Wed, 15 Dec 2021 08:03:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-04 12:07:22.779257
- Title: Theory of versatile fidelity estimation with confidence
- Title(参考訳): 信頼度を考慮した多元的忠実度推定の理論
- Authors: Akshay Seshadri, Martin Ringbauer, Thomas Monz, Stephen Becker
- Abstract要約: 本稿では,任意の特定の測定設定に対して,ほぼ最小限の信頼区間を持つ推定器を構築する方法を提案する。
理論的および数値的な結果を組み合わせることで,提案手法の様々な望ましい特性を実証する。
- 参考スコア(独自算出の注目度): 5.620334754517147
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the fidelity with a target state is important in quantum
information tasks. Many fidelity estimation techniques present a suitable
measurement scheme to perform the estimation. In contrast, we present
techniques that allow the experimentalist to choose a convenient measurement
setting. Our primary focus lies on a method that constructs an estimator with
nearly minimax optimal confidence interval for any specified measurement
setting. We demonstrate, through a combination of theoretical and numerical
results, various desirable properties for the method: robustness against
experimental imperfections, competitive sample complexity, and accurate
estimates in practice. We compare this method with Maximum Likelihood
Estimation and the associated Profile Likelihood method, a Semi-Definite
Programming based approach, as well as a popular direct fidelity estimation
technique.
- Abstract(参考訳): 量子情報タスクでは、目標状態による忠実度の推定が重要である。
多くの忠実度推定手法は,その推定に適した測定方法を示す。
対照的に,実験者が便利な測定設定を選択できる手法を提案する。
第一の焦点は、任意の測定設定に対して、ほぼ最小の最適信頼区間を持つ推定器を構成する方法である。
本手法は, 理論と数値の組合せにより, 実験不完全性に対するロバスト性, 競合的サンプル複雑性, 正確な推定値など, 様々な望ましい性質を示す。
提案手法を,最大確率推定法とそれに伴うプロファイル推定法,半定義型プログラミングに基づく手法,および一般的な直接忠実度推定法と比較した。
関連論文リスト
- High Confidence Level Inference is Almost Free using Parallel Stochastic
Optimization [16.38026811561888]
本稿では,高効率計算と高速収束による信頼区間構築に焦点をあてた新しい推論手法を提案する。
提案手法は,推定値の標準的な更新を超える最小限の計算量とメモリを必要とするため,推論処理はほとんどコストがかからない。
論文 参考訳(メタデータ) (2024-01-17T17:11:45Z) - Unveiling Empirical Pathologies of Laplace Approximation for Uncertainty
Estimation [5.371337604556312]
ディープラーニングにおける不確実性推定のためのベイズ的手法を批判的に評価する。
その結果,従来のヘッセン行列の固定法は分布外検出効率に悪影響を及ぼすことが明らかとなった。
我々は、事前精度の最適化にのみ焦点をあてることで、より正確な不確実性推定が得られるという、異なる視点を提案する。
論文 参考訳(メタデータ) (2023-12-16T14:46:24Z) - Sample-efficient estimation of entanglement entropy through supervised
learning [0.0]
我々は,ネットワーク推定の不確実性の推定に特に焦点をあてた。
基準線法が正しい推定値を与えるのに失敗するサンプルサイズ体制における収束を観察する。
量子シミュレーション実験において,本手法のさらなる応用として,非単体進化のための量子相互情報を推定する。
論文 参考訳(メタデータ) (2023-09-14T09:38:14Z) - Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。
本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。
新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文 参考訳(メタデータ) (2023-07-19T12:11:15Z) - Versatile fidelity estimation with confidence [5.144809478361603]
本稿では,任意の測定プロトコルと互換性のある量子状態の忠実度を推定する手法を提案する。
本手法は, 絡み合った目撃者などの観測対象者の期待値を推定するために, 容易に拡張することができる。
論文 参考訳(メタデータ) (2021-12-15T07:12:05Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-09-28T17:56:41Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳(メタデータ) (2021-01-05T18:54:11Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。
様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文 参考訳(メタデータ) (2020-10-22T12:39:11Z)
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。