論文の概要: Locally-Measured Rényi Divergences
- arxiv url: http://arxiv.org/abs/2405.05037v1
- Date: Wed, 8 May 2024 13:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 13:35:11.508107
- Title: Locally-Measured Rényi Divergences
- Title(参考訳): ローカライズされたレニー・ディバージェンス
- Authors: Tobias Rippchen, Sreejith Sreekumar, Mario Berta,
- Abstract要約: 我々は、制限された測定セットによって誘導される確率分布の最適化を通じて、古典的なR'enyiの量子状態への分岐の拡張を提案する。
特に、ローカライズされた R'enyi の発散(英語版)の概念を定義する。ここでは、許容される測定値の集合は(距離のある)パーティーの局所性制約の変種から生じる。
次に、局所測定された R'enyi の発散点の変動境界を導出し、これらの境界がいつ正確な特徴づけになるかを体系的に議論する。
- 参考スコア(独自算出の注目度): 7.223413715110719
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an extension of the classical R\'enyi divergences to quantum states through an optimization over probability distributions induced by restricted sets of measurements. In particular, we define the notion of locally-measured R\'enyi divergences, where the set of allowed measurements originates from variants of locality constraints between (distant) parties $A$ and $B$. We then derive variational bounds on the locally-measured R\'enyi divergences and systematically discuss when these bounds become exact characterizations. As an application, we evaluate the locally-measured R\'enyi divergences on variants of highly symmetric data-hiding states, showcasing the reduced distinguishing power of locality-constrained measurements. For $n$-fold tensor powers, we further employ our variational formulae to derive corresponding additivity results, which gives the locally-measured R\'enyi divergences operational meaning as optimal rate exponents in asymptotic locally-measured hypothesis testing.
- Abstract(参考訳): 我々は、制限された測定セットによって誘導される確率分布の最適化を通じて、古典的R'enyiの量子状態への分岐の拡張を提案する。
特に、ローカライズされた R'enyi の発散(英語版)の概念を定義し、そこで許容される測定値の集合は、(距離のある)パーティーの局所性制約の変種から生じる。
次に、局所測定された R'enyi の発散点の変分境界を導出し、これらの境界がいつ正確な特徴づけになるかを体系的に議論する。
応用として,高対称性データハイディング状態の変種に対する局所測定値R'enyiの発散量を評価し,局所性制約値の差分力の低減を図った。
n$フォールドテンソルパワーに対しては、我々の変分式を用いて対応する加法性の結果を導出し、局所測定されたR'enyiは漸近的局所測定された仮説テストにおいて最適速度指数として操作的意味を微分する。
関連論文リスト
- A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。
頑健な推定器は効率的に計算可能で一貫したものであることを示す。
合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
論文 参考訳(メタデータ) (2024-05-30T15:01:18Z) - Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳(メタデータ) (2024-02-13T09:40:19Z) - Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。
これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
論文 参考訳(メタデータ) (2023-11-08T15:17:13Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - The rate of convergence of Bregman proximal methods: Local geometry vs.
regularity vs. sharpness [33.48987613928269]
与えられた手法の収束率は、関連するルジャンドル指数に大きく依存することを示す。
特に、境界解はゼロとノンゼロのルジャンドル指数を持つ手法の分離を示すことを示す。
論文 参考訳(メタデータ) (2022-11-15T10:49:04Z) - Function-space regularized R\'enyi divergences [6.221019624345409]
変分関数空間によってパラメトリズされた正則化 R'enyi divergences の新しい族を提案する。
これらの新しい発散のいくつかの性質を証明し、古典的な R'enyi 発散と IPM 間を補間していることを示す。
提案した正規化 R'enyi は、絶対連続でない分布を比較する能力など、IMM から特徴を継承することを示した。
論文 参考訳(メタデータ) (2022-10-10T19:18:04Z) - Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。
本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。
可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
論文 参考訳(メタデータ) (2022-09-26T16:41:16Z) - Generalized Variational Inference in Function Spaces: Gaussian Measures
meet Bayesian Deep Learning [9.106412307976067]
無限次元関数空間における一般化変分推論の枠組みを開発する。
我々はこれをガウス・ワッサーシュタイン推論(GWI)と呼ばれる方法を構築するために利用する。
GWIのエキサイティングな応用は、GWIの変分パラメトリションにおいてディープニューラルネットワークを使用する能力である。
論文 参考訳(メタデータ) (2022-05-12T20:10:31Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳(メタデータ) (2022-02-02T20:11:33Z) - Variational Determinant Estimation with Spherical Normalizing Flows [11.929584800629675]
私達の推定器は低いサンプル サイズのための分散をかなり減らします。
タイトな変動有界の理想的な場合、VDEはゼロ分散推定子となる。
論文 参考訳(メタデータ) (2020-12-24T16:13:49Z)
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。