論文の概要: On the existence of unbiased resilient estimators in discrete quantum systems
- arxiv url: http://arxiv.org/abs/2402.15242v3
- Date: Mon, 20 Jan 2025 19:18:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:16:14.417552
- Title: On the existence of unbiased resilient estimators in discrete quantum systems
- Title(参考訳): 離散量子系における非バイアス耐性推定器の存在について
- Authors: Javier Navarro, Ricard Ravell Rodríguez, Mikel Sanz,
- Abstract要約: Bhattacharyyaのバウンダリは、事前の正確性に関して、より堅牢な推定フレームワークを提供する。
制約数が測定結果を超えると、有限分散の推定器は存在しないことが示される。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The Cram\'er-Rao bound serves as a crucial lower limit for the mean squared error of an estimator in frequentist parameter estimation. Paradoxically, it requires highly accurate prior knowledge of the estimated parameter for constructing the optimal unbiased estimator. In contrast, Bhattacharyya bounds offer a more robust estimation framework with respect to prior accuracy by introducing additional constraints on the estimator. In this work, we examine divergences that arise in the computation of these bounds and establish the conditions under which they remain valid. Notably, we show that when the number of constraints exceeds the number of measurement outcomes, an estimator with finite variance typically does not exist. Furthermore, we systematically investigate the properties of these bounds using paradigmatic examples, comparing them to the Cram\'er-Rao and Bayesian approaches.
- Abstract(参考訳): Cram\'er-Rao 境界は、頻繁なパラメータ推定における推定器の平均二乗誤差に対する決定的な下限として機能する。
パラドックス的には、最適不偏推定器を構築するために推定パラメータの高精度な事前知識を必要とする。
対照的に、Bhattacharyya 境界は、推定器に追加の制約を加えることによって、事前の精度に関してより堅牢な推定フレームワークを提供する。
本研究では,これらの境界の計算において生じる発散について検討し,それらが有効である条件を確立する。
特に、制約の数が測定結果の数を超えると、有限分散の推定器が存在しないことが示される。
さらに、これらの境界の性質をパラダイム的な例を用いて体系的に研究し、これらをCram\er-Rao および Bayesian のアプローチと比較する。
関連論文リスト
- In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。
実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
論文 参考訳(メタデータ) (2025-02-17T10:00:24Z) - Comparison of estimation limits for quantum two-parameter estimation [1.8507567676996612]
長岡クラム-ラオ境界とルワン不確実性関係の到達可能性を比較した。
これらの2つの限界は、物理的に達成可能な精度について異なる情報を提供できることを示す。
論文 参考訳(メタデータ) (2024-07-17T10:37:08Z) - Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。
我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文 参考訳(メタデータ) (2024-07-11T13:28:34Z) - Fundamental bounds for parameter estimation with few measurements [0.0]
我々は、推定器に課せられる異なる線形(Barankin-like)条件について議論し、これらの条件が有限分散の最適推定器を持つことを解析する。
負荷条件の数が測定結果の数より大きい場合、一般に有限分散の対応する推定器は存在しないことを示す。
我々は、バランキン境界が未定義の状況において有限分散と互換性のある拡張クラムエル・ラオ境界を導出する。
論文 参考訳(メタデータ) (2024-02-22T12:40:08Z) - Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳(メタデータ) (2023-11-08T15:17:13Z) - Evaluating the quantum optimal biased bound in a unitary evolution
process [12.995137315679923]
単元進化過程に基づくバイアス推定器の有効誤差境界を2つ導入する。
単元進化過程の2つの具体例による推定性能を示す。
論文 参考訳(メタデータ) (2023-09-09T02:15:37Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳(メタデータ) (2021-10-24T10:23:51Z) - Divergence Frontiers for Generative Models: Sample Complexity,
Quantization Level, and Frontier Integral [58.434753643798224]
多様性フロンティアは生成モデルの評価フレームワークとして提案されている。
分岐フロンティアのプラグイン推定器のサンプル複雑性の非漸近的境界を確立する。
また,スムーズな分布推定器の統計的性能を調べることにより,分散フロンティアの枠組みも強化する。
論文 参考訳(メタデータ) (2021-06-15T06:26:25Z) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳(メタデータ) (2020-05-20T15:01:03Z) - Distributional robustness of K-class estimators and the PULSE [4.56877715768796]
古典的Kクラス推定器は、Kクラス推定器とアンカー回帰との接続を確立することにより、そのような最適性を満たすことを証明する。
データ駆動型シミュレーションKクラス推定器として効率的に計算できることを示す。
弱い楽器の設定を含むいくつかの設定があり、他の推定値よりも優れています。
論文 参考訳(メタデータ) (2020-05-07T09:39:07Z) - On Low-rank Trace Regression under General Sampling Distribution [9.699586426043885]
クロスバリデード推定器は一般仮定でほぼ最適誤差境界を満たすことを示す。
また, クロスバリデーション推定器はパラメータ選択理論に着想を得た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) (2019-04-18T02:56:00Z)
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。