論文の概要: Strength of statistical evidence for genuine tripartite nonlocality

• arxiv url: http://arxiv.org/abs/2407.19587v1
• Date: Sun, 28 Jul 2024 21:12:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 15:35:33.637078
• Title: Strength of statistical evidence for genuine tripartite nonlocality
• Title（参考訳）: 真の三部体非局所性の統計的証拠の強さ
• Authors: Soumyadip Patra, Peter Bierhorst,
• Abstract要約: ネットワーク非局所性の最近の進歩は、局所操作の概念と共有ランダム性に基づく真のマルチパーティライト非局所性(LOSR-GMNL)につながっている。 本稿では,2つのサブセットがリソースを2つに分けて共有し,各パーティが無制限に共有されたランダム性にアクセスできるネットワークにおいて,相関を示すことが目的である三部作シナリオに焦点を当てる。
• 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: Recent advancements in network nonlocality have led to the concept of local operations and shared randomness-based genuine multipartite nonlocality (LOSR-GMNL). In this paper, we consider two recent experimental demonstrations of LOSR-GMNL, focusing on a tripartite scenario where the goal is to exhibit correlations impossible in a network where each two-party subset shares bipartite resources and every party has access to unlimited shared randomness. Traditional statistical analyses measuring violations of witnessing inequalities by the number of experimental standard deviations do not account for subtleties such as memory effects. We demonstrate a more sound method based on the prediction-based ratio (PBR) protocol to analyse finite experimental data and quantify the strength of evidence in favour of genuine tripartite nonlocality in terms of a valid $p$-value. In our work, we propose an efficient modification of the test factor optimisation using an approximating polytope approach. By justifying a further restriction to a smaller polytope we enhance practical feasibility while maintaining statistical rigour.
• Abstract（参考訳）: ネットワーク非局所性の最近の進歩は、局所演算と共有ランダム性に基づく真のマルチパーティライト非局所性(LOSR-GMNL)の概念につながっている。 本稿では,LOSR-GMNLの最近の2つの実験例について考察し,各2つのサブセットが2つのリソースを共有し,各パーティが無制限に共有されたランダム性にアクセスできるネットワークにおいて相関を示すことが目的である三部作シナリオに着目した。 従来の統計分析では、実験標準偏差数による目撃不平等の違反を測定することは、記憶効果のような微妙さを考慮しない。 本研究では,有限実験データを解析するPBRプロトコルに基づくより健全な手法を実証し,真三部体非局所性を求める証拠の強度を有効な$p$-値で定量化する。 そこで本研究では, 近似ポリトープ手法を用いて, テスト係数の最適化を効率的に行うことを提案する。 より小さなポリトープへのさらなる制限を正当化することで、統計的厳密さを維持しながら実用性を高めることができる。

関連論文リスト

• STATE: A Robust ATE Estimator of Heavy-Tailed Metrics for Variance Reduction in Online Controlled Experiments [22.32661807469984]
  我々は、学生のt分布と機械学習ツールを統合して、ヘビーテールのメトリクスに適合する新しいフレームワークを開発する。 ログ類似度関数を最適化するために変分EM法を採用することにより、アウトリアの負の影響を大幅に排除するロバストな解を推測できる。 Meituan実験プラットフォーム上での合成データと長期実験結果のシミュレーションにより,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-23T09:35:59Z)
• A Stability Principle for Learning under Non-Stationarity [1.1510009152620668]
  非定常環境における統計的学習のための多目的フレームワークを開発する。 解析の中心には、関数間の類似性の尺度と、非定常データ列を準定常断片に分割するセグメンテーション技法の2つの新しい要素がある。
  論文  参考訳（メタデータ） (2023-10-27T17:53:53Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Null Hypothesis Test for Anomaly Detection [0.0]
  我々は、背景のみの仮説を除外した仮説テストを用いて、異常検出のための分類不要ラベルの使用を拡張した。 2つの識別されたデータセット領域の統計的独立性をテストすることで、固定された異常スコアのカットや、各領域間の背景推定の外挿に頼ることなく、背景のみの仮説を除外することができる。
  論文  参考訳（メタデータ） (2022-10-05T13:03:55Z)
• Causal Balancing for Domain Generalization [95.97046583437145]
  そこで本研究では,観察されたトレーニング分布の領域特異的なスプリアス相関を低減するために,バランスの取れたミニバッチサンプリング戦略を提案する。 本研究では, 突発性源の同定可能性を保証するとともに, バランスの取れた, 突発性のない分布から, 提案手法が有効にサンプリング可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-10T17:59:11Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• Experimentally friendly approach towards nonlocal correlations in multisetting N -partite Bell scenarios [0.0]
  本稿では,Fonseca と Parisio[Phys. A 92, 03(R)] による最近提案された非局所性評価手法について検討する。 ランダムに選択された$N$-qubit純状態とランダムに選択された測定ベースの両方において、局所的リアリズムの違反をほぼ100%の時間で検出できることが示される。
  論文  参考訳（メタデータ） (2020-09-24T13:54:44Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。