論文の概要: Strict hierarchy of optimal strategies for global estimations: Linking global estimations with local ones
- arxiv url: http://arxiv.org/abs/2403.06585v3
- Date: Mon, 2 Sep 2024 14:47:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-04 19:15:46.340875
- Title: Strict hierarchy of optimal strategies for global estimations: Linking global estimations with local ones
- Title(参考訳): 大域的推定のための最適戦略の厳密な階層:大域的推定と局所的推定をリンクする
- Authors: Zhao-Yi Zhou, Jing-Tao Qiu, Da-Jian Zhang,
- Abstract要約: ここでの鍵となる革新は、仮想的想像時間進化と呼ばれる技術を開発することである。これは、グローバルな推定で得られた情報と仮想的局所的推定のための量子フィッシャー情報との等価性を確立するものである。
提案手法は,グローバルな評価戦略の達成可能な精度の厳密な階層を明らかにし,局所的推定における従来の知恵とは対照的な予期せぬ結果を明らかにするものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A crucial yet challenging issue in quantum metrology is to ascertain the ultimate precision achievable in estimation strategies. While there are two paradigms of estimations, local and global, current research is largely confined to local estimations, which are useful once the parameter of interest is approximately known. In this Letter we target a paradigm shift towards global estimations, which can operate reliably even with a few measurement data and no substantial prior knowledge about the parameter. The key innovation here is to develop a technique, dubbed virtual imaginary time evolution, which establishes an equality between the information gained in a global estimation and the quantum Fisher information for a virtual local estimation. This offers an intriguing pathway to surmount challenges in the realm of global estimations by leveraging powerful tools tailored for local estimations. We explore our technique to reveal a strict hierarchy of achievable precision for different global estimation strategies and uncover unexpected results contrary to conventional wisdom in local estimations.
- Abstract(参考訳): 量子力学における決定的かつ挑戦的な問題は、推定戦略において達成可能な最終的な精度を確かめることである。
局所的および大域的推定のパラダイムは2つあるが、現在の研究は主に局所的推定に限られており、興味のパラメータがほぼ知られている場合に有用である。
このレターでは,少数の測定データでも確実に動作し,パラメータについて十分な事前知識を持たないグローバル推定へのパラダイムシフトを目標としている。
ここでの鍵となる革新は、仮想想像時間進化と呼ばれる技術を開発することである。これは、グローバルな推定で得られた情報と仮想的な局所的な推定のための量子フィッシャー情報との等価性を確立するものである。
これは、局所的な見積もりに適した強力なツールを活用することで、グローバルな見積もりの領域における課題を克服する興味深い経路を提供する。
提案手法は,グローバルな評価戦略の達成可能な精度の厳密な階層を明らかにし,局所的推定における従来の知恵とは対照的な予期せぬ結果を明らかにするものである。
関連論文リスト
- Behind the Myth of Exploration in Policy Gradients [1.9171404264679484]
ポリシーグラディエントアルゴリズムは、連続状態と行動空間による制御問題を解くための効果的な強化学習手法である。
準最適政策を計算するためには,探索用語を学習目的に含めることが不可欠である。
論文 参考訳(メタデータ) (2024-01-31T20:37:09Z) - Adaptive Global-Local Representation Learning and Selection for
Cross-Domain Facial Expression Recognition [54.334773598942775]
ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる
適応的グローバルローカル表現学習・選択フレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-20T02:21:41Z) - Federated Natural Policy Gradient Methods for Multi-task Reinforcement
Learning [49.65958529941962]
フェデレート強化学習(RL)は、ローカルデータトラジェクトリを共有することなく、複数の分散エージェントの協調的な意思決定を可能にする。
本研究では,各エージェントがそれぞれのタスクに対応する個別の報酬関数を持つマルチタスク設定について考察する。
我々は、分散された方法で全てのエージェントの割引された全報酬の総和を最大化する、世界的な最適政策を学習する。
論文 参考訳(メタデータ) (2023-11-01T00:15:18Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳(メタデータ) (2023-07-26T16:19:19Z) - Federated Learning as Variational Inference: A Scalable Expectation
Propagation Approach [66.9033666087719]
本稿では,推論の視点を拡張し,フェデレート学習の変分推論の定式化について述べる。
我々は、FedEPを標準フェデレーション学習ベンチマークに適用し、収束速度と精度の両方において、強いベースラインを上回ります。
論文 参考訳(メタデータ) (2023-02-08T17:58:11Z) - A protocol for global multiphase estimation [0.0]
我々は,ホレボの推定理論に基づくグローバル多相プロトコルを考案する。
多相戦略では、独立した単相推定の系列に対して、一定の量子優位性しか持たないことが示される。
論文 参考訳(メタデータ) (2023-01-18T09:14:23Z) - Global Convolutional Neural Processes [52.85558458799716]
我々は,潜伏NPFにおけるSOTAログ類似化を実現するGloBal Convolutional Neural Process(GBCoNP)を構築する。
離散化された入力空間上の集合である大域的不確実性表現 p(z) を設計する。
学習した先行データは、1D、2D、新たに提案された時空間のCOVIDデータセットなど、さまざまなシナリオで分析される。
論文 参考訳(メタデータ) (2021-09-02T03:32:50Z) - Distributed Q-Learning with State Tracking for Multi-agent Networked
Control [61.63442612938345]
本稿では,LQR(Linear Quadratic Regulator)のマルチエージェントネットワークにおける分散Q-ラーニングについて検討する。
エージェントに最適なコントローラを設計するための状態追跡(ST)ベースのQ-ラーニングアルゴリズムを考案する。
論文 参考訳(メタデータ) (2020-12-22T22:03:49Z) - Bayesian parameter estimation using Gaussian states and measurements [0.0]
連続変数量子距離論における3つのパラダイム的推定スキームについて考察する。
ホモダインおよびヘテロダイン検出において,単一モードガウス状態で達成可能な精度について検討した。
これにより、優れた性能と単純な実験的実現の可能性を組み合わせたベイズ推定戦略を特定できる。
論文 参考訳(メタデータ) (2020-09-08T12:54:12Z) - Cooperative Multi-Agent Reinforcement Learning with Partial Observations [16.895704973433382]
マルチエージェント強化学習(MARL)のための分散ゼロ階ポリシー最適化手法を提案する。
エージェントは、グローバルに蓄積された報酬の局所的な見積もりを使用して、ローカルポリシー機能を更新するために必要なローカルポリシー勾配を計算することができる。
本研究では, 一定段差の分散ゼロ階次ポリシ最適化手法が, 大域的目的関数の定常点であるポリシの近傍に収束することを示す。
論文 参考訳(メタデータ) (2020-06-18T19:36:22Z)
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。