論文の概要: Asymptotically Optimal Adversarial Strategies for the Probability
Estimation Framework
- arxiv url: http://arxiv.org/abs/2306.06802v1
- Date: Sun, 11 Jun 2023 22:58:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 16:39:28.701828
- Title: Asymptotically Optimal Adversarial Strategies for the Probability
Estimation Framework
- Title(参考訳): 確率推定フレームワークのための漸近的最適逆戦略
- Authors: Soumyadip Patra and Peter Bierhorst
- Abstract要約: 量子非局所性実験におけるランダム性を証明するためのPEF法の最適性を自己完結した証明を提案する。
これらの結果を (2,2,2) Bell のシナリオに適用し, 符号なし原理に縛られた最適対角攻撃の解析的特徴付けを得る。
また、(2,2,2)ベルシナリオにおける量子制限逆数と、より高い$(n,m,k)$ベルシナリオにおける符号なし逆数への解析の拡張についても検討する。
- 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: The Probability Estimation Framework involves direct estimation of the
probability of occurrences of outcomes conditioned on measurement settings and
side information. It is a powerful tool for certifying randomness in quantum
non-locality experiments. In this paper, we present a self-contained proof of
the asymptotic optimality of the method. Our approach refines earlier results
to allow a better characterisation of optimal adversarial attacks on the
protocol. We apply these results to the (2,2,2) Bell scenario, obtaining an
analytic characterisation of the optimal adversarial attacks bound by
no-signalling principles, while also demonstrating the asymptotic robustness of
the PEF method to deviations from expected experimental behaviour. We also
study extensions of the analysis to quantum-limited adversaries in the (2,2,2)
Bell scenario and no-signalling adversaries in higher $(n,m,k)$ Bell scenarios.
- Abstract(参考訳): 確率推定フレームワークは、測定設定とサイド情報に基づいて、結果の発生確率を直接推定することを含む。
量子非局所性実験におけるランダム性を証明する強力なツールである。
本稿では,本手法の漸近的最適性の自己完結的証明を提案する。
提案手法は,プロトコルに対する最適な敵攻撃のキャラクタリゼーションを向上するために,先行結果を改良する。
これらの結果を (2,2,2) Bell のシナリオに適用し,非シグナリング原理による最適対向攻撃の解析的特性を得るとともに, PEF 法の漸近的ロバスト性を示す。
また、(2,2,2)ベルシナリオにおける量子制限逆数と、より高い$(n,m,k)$ベルシナリオにおける符号なし逆数への解析の拡張についても検討する。
関連論文リスト
- Tighter Performance Theory of FedExProx [85.92481138826949]
我々は最近提案した分散最適化法であるFedExProxを再検討し,外挿による並列アルゴリズムの収束特性の向上を図った。
非強凸二次問題に対して、より厳密な線形収束率を確立するための新しい解析フレームワークを開発する。
解析の応用性はPolyak-Lojasiewicz条件を満たす一般関数に拡張され、以前の強い凸解析よりも優れていた。
論文 参考訳(メタデータ) (2024-10-20T11:53:25Z) - Optimizing Probabilistic Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
本研究では,まず非整合性スコアをランク付きサンプルでベクトル化し,次に同じランクのサンプルに対して定量値を変化させることで,予測値の形状を最適化することにより,効率を向上させる新しいフレームワークを提案する。
提案手法は,不連続かつ効率的な予測セットを生成しながら,有効なカバレッジを提供する。
論文 参考訳(メタデータ) (2024-10-17T16:37:03Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2024-07-01T20:44:48Z) - Transductive Active Learning: Theory and Applications [35.49225932333298]
本研究では,古典的能動学習の現実的環境への一般化を,具体的な予測対象を用いて検討する。
我々は,予測対象の不確実性を最小限に抑えるために,適応的にサンプルをサンプリングする一連の決定ルールを解析する。
論文 参考訳(メタデータ) (2024-02-13T09:22:45Z) - Variational Inference with Coverage Guarantees in Simulation-Based Inference [18.818573945984873]
コンフォーマル化補正ニューラル変分推論(CANVI)を提案する。
CANVIは各候補に基づいて共形予測器を構築し、予測効率と呼ばれる計量を用いて予測器を比較し、最も効率的な予測器を返す。
我々は,CANVIが生成する領域の予測効率の低い境界を証明し,その近似に基づいて,後部近似の品質と予測領域の予測効率の関係について検討する。
論文 参考訳(メタデータ) (2023-05-23T17:24:04Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳(メタデータ) (2022-01-21T02:46:57Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳(メタデータ) (2021-08-25T21:30:27Z) - High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。
そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
論文 参考訳(メタデータ) (2021-06-10T17:54:21Z) - Sequential Domain Adaptation by Synthesizing Distributionally Robust
Experts [14.656957226255628]
教師付きドメイン適応は、目標分布に近いソース分布からラベル付きトレーニングサンプルを追加することにより、予測精度を向上させることを目的としている。
我々は、提案した頑健な専門家の家系のBernsteinオンライン集約アルゴリズムを用いて、ターゲットサンプルの逐次的ストリームの予測を生成する。
論文 参考訳(メタデータ) (2021-06-01T08:51:55Z) - Finite Sample Analysis of Minimax Offline Reinforcement Learning:
Completeness, Fast Rates and First-Order Efficiency [83.02999769628593]
強化学習におけるオフ・ポリティィ・アセスメント(OPE)の理論的特徴について述べる。
ミニマックス法により、重みと品質関数の高速収束を実現することができることを示す。
非タブラル環境における1次効率を持つ最初の有限サンプル結果を示す。
論文 参考訳(メタデータ) (2021-02-05T03:20:39Z)
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。