論文の概要: Parameter estimation with uncertainty quantification from continuous measurement data using neural network ensembles

• arxiv url: http://arxiv.org/abs/2509.10756v1
• Date: Fri, 12 Sep 2025 23:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.764342
• Title: Parameter estimation with uncertainty quantification from continuous measurement data using neural network ensembles
• Title（参考訳）: ニューラルネットワークアンサンブルを用いた連続計測データからの不確かさ定量化によるパラメータ推定
• Authors: Amanuel Anteneh,
• Abstract要約: ディープ・アンサンブルと呼ばれるディープ・ニューラルネットワークのアンサンブルを使用して量子パラメータ推定を行うことができる。 ベイズ推定に基づく推定に匹敵する性能を達成するためには、はるかに少ないデータが必要であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that ensembles of deep neural networks, called deep ensembles, can be used to perform quantum parameter estimation while also providing a means for quantifying uncertainty in parameter estimates, which is a key advantage of using Bayesian inference for parameter estimation. These models are shown to be more robust to noise in the measurement results used to perform the parameter estimation as well as noise in the data used to train them. We also show that much less data is needed to achieve comparable performance to Bayesian inference based estimation, which is known to reach the ultimate precision limit as more data is collected, than was used in previous proposals.
• Abstract（参考訳）: 本研究では、ディープ・アンサンブルと呼ばれるディープ・ニューラルネットワークのアンサンブルを用いて、パラメータ推定の不確かさを定量化する手段を提供するとともに、パラメータ推定にベイズ推定を用いる重要な利点として、量子パラメータ推定を行うことができることを示す。 これらのモデルは, パラメータ推定に使用する測定結果と, トレーニングに使用するデータのノイズに対して, より頑健であることが示されている。 また、ベイズ推定に基づく推定と同等の性能を達成するためには、より多くのデータが収集されるにつれて最終的な精度限界に達することが知られているデータの方が、従来の提案よりもはるかに少ないことを示す。

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)
• 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)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Fisher information susceptibility for multiparameter quantum estimation [0.23436632098950458]
  ノイズは量子技術の性能に影響を及ぼし、そのため、作業上のメリットの数値を解明することが重要である。 量子気象学において、フィッシャー情報計測ノイズの感受性の導入により、測定の堅牢性を定量化できるようになった。 半定値プログラムの形式でその数学的定義を提供する。
  論文  参考訳（メタデータ） (2023-12-04T16:54:01Z)
• Parameter estimation by learning quantum correlations in continuous photon-counting data using neural networks [0.21990652930491852]
  本稿では, 1つの測定で観測された量子プローブのパラメータ推定に, 人工ニューラルネットワークを用いた推論手法を提案する。 本稿では,この手法の精度をベイズ推定と比較し,情報検索の分野で最適であることを示す。 このアプローチは、量子センシングや量子イメージングのような応用に関係のある、光子計数データを用いた量子パラメータ推定のための有望で効率的なツールを提供する。
  論文  参考訳（メタデータ） (2023-10-03T18:00:02Z)
• Homodyned K-distribution: parameter estimation and uncertainty quantification using Bayesian neural networks [2.599882743586164]
  Homodyned K-distribution (HK-distribution) のパラメータは、様々な散乱条件下で包絡データをモデル化できるスペックル統計である。 我々は,HK分布のパラメータを推定し,推定器の不確かさを定量化するためにベイズニューラルネットワーク(BNN)を提案する。
  論文  参考訳（メタデータ） (2022-10-31T22:38:33Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Machine Learning Based Parameter Estimation of Gaussian Quantum States [14.85374185122389]
  単一モードガウス量子状態のパラメータ推定のための機械学習フレームワークを提案する。 ベイジアン・フレームワークでは、測定データから適切な事前分布のパラメータを推定する。
  論文  参考訳（メタデータ） (2021-08-13T04:59:16Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Orthogonal Statistical Learning [49.55515683387805]
  人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。 人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
  論文  参考訳（メタデータ） (2019-01-25T02:21:24Z)

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。