論文の概要: Harnessing Data Augmentation to Quantify Uncertainty in the Early Estimation of Single-Photon Source Quality

• arxiv url: http://arxiv.org/abs/2306.15683v2
• Date: Tue, 9 Jan 2024 09:24:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-11 17:29:56.278410
• Title: Harnessing Data Augmentation to Quantify Uncertainty in the Early Estimation of Single-Photon Source Quality
• Title（参考訳）: 単一光子源品質の早期推定における不確かさの定量化のためのデータ拡張
• Authors: David Jacob Kedziora and Anna Musia{\l} and Wojciech Rudno-Rudzi\'nski and Bogdan Gabrys
• Abstract要約: 本研究では、機械学習技術であるデータ拡張を用いて、ブートストラップされたサンプルを用いて実験データを補足する手法について検討する。 単一のInGaAs/GaAsエピタキシャル量子ドットを含む測定結果から得られた8つのデータセットは、初歩的な例である。
• 参考スコア（独自算出の注目度）: 8.397730500554047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novel methods for rapidly estimating single-photon source (SPS) quality have been promoted in recent literature to address the expensive and time-consuming nature of experimental validation via intensity interferometry. However, the frequent lack of uncertainty discussions and reproducible details raises concerns about their reliability. This study investigates the use of data augmentation, a machine learning technique, to supplement experimental data with bootstrapped samples and quantify the uncertainty of such estimates. Eight datasets obtained from measurements involving a single InGaAs/GaAs epitaxial quantum dot serve as a proof-of-principle example. Analysis of one of the SPS quality metrics derived from efficient histogram fitting of the synthetic samples, i.e. the probability of multi-photon emission events, reveals significant uncertainty contributed by stochastic variability in the Poisson processes that describe detection rates. Ignoring this source of error risks severe overconfidence in both early quality estimates and claims for state-of-the-art SPS devices. Additionally, this study finds that standard least-squares fitting is comparable to using a Poisson likelihood, and expanding averages show some promise for early estimation. Also, reducing background counts improves fitting accuracy but does not address the Poisson-process variability. Ultimately, data augmentation demonstrates its value in supplementing physical experiments; its benefit here is to emphasise the need for a cautious assessment of SPS quality.
• Abstract（参考訳）: 単光子源(SPS)の品質を高速に推定する新しい手法が近年,強度干渉法による実験検証の高価で時間を要する性質に対処するために提案されている。 しかしながら、不確実性に関する議論や再現可能な詳細の頻繁な欠如は、信頼性に関する懸念を引き起こす。 本研究では,実験データをブートストラップ標本で補完し,推定の不確かさを定量化するための機械学習手法であるデータ拡張法について検討する。 単一のInGaAs/GaAsエピタキシャル量子ドットを含む測定結果から得られた8つのデータセットは、初歩的な例である。 合成試料の効率的なヒストグラムフィッティング,すなわち多光子放出現象の確率から得られたSPS品質指標の1つの解析により,検出率を表すポアソン過程における確率的変動による有意な不確かさが明らかになった。 このエラーの原因を無視することは、早期品質評価と最先端のSPSデバイスのクレームの両方において、重大な過信リスクを負う。 さらに、本研究では、標準の最小二乗フィッティングはポアソン確率と同等であり、平均の増大は早期推定の可能性を示唆している。 また、バックグラウンドカウントを減らすことで適合精度が向上するが、Poissonプロセスの可変性には対処しない。 究極的には、データ拡張は物理実験を補完する価値を示しており、その利点は、SPS品質の慎重な評価の必要性を強調することである。

関連論文リスト

• Label-Confidence-Aware Uncertainty Estimation in Natural Language Generation [8.635811152610604]
  不確実性定量化(UQ)は、AIシステムの安全性と堅牢性を保証するために不可欠である。 サンプルとラベルソース間の分岐に基づくラベル信頼度(LCA)の不確実性評価を提案する。
  論文  参考訳（メタデータ） (2024-12-10T07:35:23Z)
• Transfer Learning and the Early Estimation of Single-Photon Source Quality using Machine Learning Methods [7.687215328455751]
  単一光子源(SPS)は多くのシステムやデバイスの中心であり、現代の量子技術の急増の中で提案されている。 しかし、製造計画が不完全であり、単一光子放射純度はインターフェロメトリーによって実験的に検証されなければならない。 本研究では,不完全排出統計からSPS品質をより高速に推定できるかどうかを検討する。
  論文  参考訳（メタデータ） (2024-08-21T04:10:38Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [55.17761802332469]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
  逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。 また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
  論文  参考訳（メタデータ） (2023-01-28T13:38:48Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Nonparametric Empirical Bayes Estimation and Testing for Sparse and Heteroscedastic Signals [5.715675926089834]
  大規模な現代データは、しばしば高次元未知パラメータの推定とテストを伴う。 粗い信号、干し草の巣の針を精度と誤検出制御で識別することが望ましい。 本稿では,SNP(Spyke-and-Nonparametric mixture prior)を提案する。
  論文  参考訳（メタデータ） (2021-06-16T15:55:44Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Stochastic Approximation for High-frequency Observations in Data Assimilation [0.0]
  高周波センサは、ダウンストリーム推定の統計的精度を高める機会を提供するが、その周波数はデータ同化タスクにおける多くの計算問題をもたらす。 データ同化における高周波観測の独特な課題に対処するために近似法を適用する。 その結果, 上記の計算問題を回避し, 推定値の統計的精度を維持する方法で, 全観測値を活用する推定値を生成することができた。
  論文  参考訳（メタデータ） (2020-11-05T06:02:27Z)
• Uncertainty Quantification in Extreme Learning Machine: Analytical Developments, Variance Estimates and Confidence Intervals [0.0]
  不確かさの定量化は、機械学習モデルの予測品質を評価するために不可欠である。 文献で提案されるほとんどの手法は、データに対して強い仮定を行い、入力重みのランダム性を無視したり、信頼区間推定におけるバイアス寄与を無視したりする。 本稿では,これらの制約を克服し,EMMの多様性の理解を向上させる新しい推定法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T13:45:59Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。