論文の概要: Trade-off relations between measurement dependence and hiddenness for
separable hidden variable models
- arxiv url: http://arxiv.org/abs/2208.13634v2
- Date: Sat, 5 Nov 2022 08:44:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-28 14:43:43.142324
- Title: Trade-off relations between measurement dependence and hiddenness for
separable hidden variable models
- Title（参考訳）: 分離可能な隠れ変数モデルの計測依存性と隠れ度とのトレードオフ関係
- Authors: Ryo Takakura, Kei Morisue, Issei Watanabe, Gen Kimura
- Abstract要約: ベルの定理は、基礎となる隠れ変数モデルの仮定の間のトレードオフ関係として研究される。
また、この関係は、分離可能なモデルによって実現すべき措置に必要かつ十分な条件を与えることも明らかにした。
- 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: The Bell theorem is investigated as a trade-off relation between assumptions
for the underlying hidden variable model. Considering the introduction of a set
of hidden variables itself to be one of the essential assumptions, we introduce
a measure of hiddenness, a quantity that expresses the degree to which hidden
variables are needed. We derive novel relaxed Bell-Clauser-Horne-Shimony-Holt
(Bell-CHSH) inequalities for separable models, which are hidden variable models
that only satisfy the locality but not the measurement independence condition,
in terms of their measurement dependence and hiddenness. The derived relations
can be interpreted as trade-off relations between the measurement dependence
and hiddenness for separable models in the CHSH scenario. It is also revealed
that the relation gives a necessary and sufficient condition for the measures
to be realized by a separable model.
- Abstract（参考訳）: ベルの定理は、基礎となる隠れ変数モデルの仮定の間のトレードオフ関係として研究される。
隠れた変数のセット自体が本質的な仮定の1つであると考えると、隠れた変数が必要となる程度を表す量である隠れたさの尺度を導入する。
局所性のみを満足するが測定独立条件を満たさない隠れ変数モデルである分離モデルに対して,その測定依存性と隠れ性の観点から,新たな緩和ベル・クラウン・ホーン・シモニー・ホルト不等式を導出する。
導出した関係は、CHSHシナリオにおける分離可能なモデルに対する測定依存性と隠蔽性の間のトレードオフ関係と解釈できる。
また, この関係は, 分離可能なモデルによって実現される測度に対して必要十分条件を与えることが明らかとなった。
関連論文リスト
- Identifying metric structures of deep latent variable models [11.406154623608927]
深い潜伏変数モデルは、研究された現象の内部の働きを反映したデータの凝縮表現を学習する。
現在のソリューションは、潜在変数モデルに対する追加の制約を通じて、識別可能性の欠如を制限する。
私たちは目的を変える:潜伏変数を識別する代わりに、それらの間の関係を識別する。
論文 参考訳（メタデータ） (2025-02-19T14:20:28Z) - A Family of Local Deterministic Models for Singlet Quantum State Correlations [0.0]
粒子の調製と測定設定の両方を考慮に入れた局所決定論モデルの新たなクラスを導入する。
我々のモデルは、緩和された測定独立性の仮定の下で量子力学的予測を再現する。
我々の発見は、局所決定論と量子力学の微妙な関係を強調し、量子相関と隠れ変数の性質に関する新たな洞察を提供する。
論文 参考訳（メタデータ） (2024-08-18T19:38:15Z) - 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) - Open Set Relation Extraction via Unknown-Aware Training [72.10462476890784]
負のインスタンスを動的に合成することでモデルを正規化する未知の学習手法を提案する。
テキストの敵対的攻撃に触発されて、我々は適応的に、小さいが重要な摂動を元のトレーニングインスタンスに適用する。
実験結果から, 既知の関係の分類を損なうことなく, 未知の関係検出を行うことができた。
論文 参考訳（メタデータ） (2023-06-08T05:45:25Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Relaxed Bell inequalities as a trade-off relation between measurement
dependence and hiddenness [0.0]
ベルの不等式に反する量子相関は、任意の(測定独立な)局所隠れ変数理論では説明できない。
隠れ変数(隠れ度)の定量化を導入し、隠れ度と測定依存性の新たなトレードオフ関係を導出する。
論文 参考訳（メタデータ） (2022-06-13T14:29:30Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Modal Uncertainty Estimation via Discrete Latent Representation [4.246061945756033]
本稿では,インプットとアウトプットの1対1マッピングを,忠実な不確実性対策とともに学習するディープラーニングフレームワークを提案する。
我々のフレームワークは、現在の最先端手法よりもはるかに正確な不確実性推定を実証している。
論文 参考訳（メタデータ） (2020-07-25T05:29:34Z)
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。