論文の概要: On the Classical Shadow Nonparametric Bootstrap

• arxiv url: http://arxiv.org/abs/2511.09793v2
• Date: Fri, 14 Nov 2025 20:21:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.399268
• Title: On the Classical Shadow Nonparametric Bootstrap
• Title（参考訳）: 古典的シャドウ非パラメトリックブートストラップについて
• Authors: Eric Ghysels, Jack Morgan,
• Abstract要約: 本稿では,ブートストラップ再サンプリング手法を用いた古典的シャドウ手法を提案する。 ブートストラップ分布はガウス近似とは大きく異なることを示す。
• 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: Classical shadows are an efficient method for constructing an approximate classical description of a quantum state using very few measurements. In the paper we propose to enhance classical shadow methods using bootstrap resampling methods. We apply nonparametric bootstrapping to assess the variability and accuracy of estimators by repeatedly sampling with replacement from the observed data, i.e. in our case the classical shadow measurements. We show that the bootstrap distributions are very different from the Gaussian approximations. Likewise, the theoretical error bounds are not tight compared to the bootstrap percentiles. Finally, we suggest using resampling tools to make risk assessments.
• Abstract（参考訳）: 古典的影は、ごく少数の測定値を用いて量子状態の近似古典的記述を構築するための効率的な方法である。 本稿では,ブートストラップ再サンプリング手法を用いた古典的なシャドウ手法を提案する。 非パラメトリックブートストラップを用いて、観測データ、すなわち古典的影測定から繰り返しサンプリングすることで、推定器の変動性と精度を評価する。 ブートストラップ分布はガウス近似とは大きく異なることを示す。 同様に、理論上の誤差境界はブートストラップパーセンタイルと比較して厳密ではない。 最後に、リスクアセスメントに再サンプリングツールを使うことを提案する。

関連論文リスト

• Biased Estimator Channels for Classical Shadows [0.0]
  我々は、従来の影推定器を再スケールすることで、バイアスを意図的に導入する、バイアス付きスキームを考察する。 我々は、平均ケースと最悪のケースとベストケースのシナリオを分析的に証明し、それが原則として、常に見積りをバイアスする価値があることを厳格に証明します。
  論文  参考訳（メタデータ） (2024-02-14T19:00:01Z)
• Bayesian Metric Learning for Uncertainty Quantification in Image Retrieval [0.7646713951724012]
  距離学習のための最初のベイズエンコーダを提案する。 ネットワーク重みに関する分布をLaplace Approximationで学習する。 我々は,Laplacian Metric Learner (LAM) がよく校正された不確かさを推定し,分布外例を確実に検出し,最先端の予測性能を得ることを示す。
  論文  参考訳（メタデータ） (2023-02-02T18:59:23Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• On Classical and Hybrid Shadows of Quantum States [0.0]
  古典的な影は、古典的なコンピュータ上の量子状態を保存するための計算的に効率的なアプローチである。 我々は、古典的な影を使って多体力学をシミュレートする利点と限界について論じる。 システムの一部の計測結果から構築されたハイブリッドシャドウの概念を導入する。
  論文  参考訳（メタデータ） (2022-06-14T06:25:24Z)
• 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)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
  Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。 具体的には、対照的な学習方法でネットワークをトレーニングする。 各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
  論文  参考訳（メタデータ） (2021-03-24T07:26:07Z)
• Re-Assessing the "Classify and Count" Quantification Method [88.60021378715636]
  分類とカウント(CC)は、しばしば偏りのある推定器である。 以前の作業では、CCの適切に最適化されたバージョンを適切に使用できなかった。 最先端の手法に劣っているものの、ほぼ最先端の精度を実現している、と我々は主張する。
  論文  参考訳（メタデータ） (2020-11-04T21:47:39Z)

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。