論文の概要: Post-processing optimization and optimal bounds for non-adaptive shadow tomography

• arxiv url: http://arxiv.org/abs/2601.16266v1
• Date: Thu, 22 Jan 2026 19:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.372431
• Title: Post-processing optimization and optimal bounds for non-adaptive shadow tomography
• Title（参考訳）: 非適応影トモグラフィにおける後処理最適化と最適境界
• Authors: Andrea Caprotti, Joshua Morris, Borivoje Dakić,
• Abstract要約: オーバーコンプリートPOVMは、多くのトモグラフィーおよび推定タスクにおいて、最小限の完全な測定を上回ることが知られている。 我々は、凸最小値問題として再構成係数の選択を定式化し、収束を保証するアルゴリズムを与える。 数値的な例は、結果として得られる推定器がサンプリングの複雑さを劇的に減らすことを示している。
• 参考スコア（独自算出の注目度）: 0.12234742322758417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Informationally overcomplete POVMs are known to outperform minimally complete measurements in many tomography and estimation tasks, and they also leave a purely classical freedom in shadow tomography: the same observable admits infinitely many unbiased linear reconstructions from identical measurement data. We formulate the choice of reconstruction coefficients as a convex minimax problem and give an algorithm with guaranteed convergence that returns the tightest state-independent variance bound achievable by post-processing for a fixed POVM and observable. Numerical examples show that the resulting estimators can dramatically reduce sampling complexity relative to standard (canonical) reconstructions, and can even improve the qualitative scaling with system size for structured noncommuting targets.
• Abstract（参考訳）: 情報的にオーバーコンプリートなPOVMは、多くのトモグラフィーおよび推定タスクにおいて最小限の完全な測定を上回ることが知られており、それらはシャドウトモグラフィーにおいて純粋に古典的な自由も残している。 我々は、凸最小値問題として再構成係数の選択を定式化し、固定されたPOVMに対する後処理により達成可能な最も厳密な状態独立分散境界を返却し、観測可能な収束性を持つアルゴリズムを与える。 数値的な例では、得られた推定器は標準(標準)再構成と比較してサンプリングの複雑さを劇的に減らし、構造化された非可換ターゲットに対するシステムサイズによる定性的スケーリングを改善することができる。

関連論文リスト

• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Dimension reduction via score ratio matching [0.9012198585960441]
  スコアマッチングから派生したフレームワークを提案し、勾配を利用できない問題に勾配に基づく次元の減少を拡大する。 提案手法は,低次元構造を有する問題に対して,標準的なスコアマッチングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-25T22:21:03Z)
• Enabling Tensor Decomposition for Time-Series Classification via A Simple Pseudo-Laplacian Contrast [26.28414569796961]
  本稿では, Pseudo Laplacian Contrast (PLC) テンソル分解フレームワークを提案する。 データ拡張とラプラシアンのクロスビューを統合し、クラス認識表現の抽出を可能にする。 様々なデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-23T16:48:13Z)
• With or Without Replacement? Improving Confidence in Fourier Imaging [5.542462410129539]
  標準LASSOの性能を向上した重み付き再構成手法が, サンプリングと交換なしの遷移によってどのようにして実現されるかを示す。 本稿では、この再加重サンプリングのアイデアが、デバイアス推定器をいかに改善するかを説明する。
  論文  参考訳（メタデータ） (2024-07-18T15:15:19Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Design of Compressed Sensing Systems via Density-Evolution Framework for Structure Recovery in Graphical Models [10.667885727418705]
  観測データからベイズネットワークの構造を学習することはNP-Hard問題であることが示されている。 圧縮線形測定システムを最適化するための新しい密度進化に基づくフレームワークを提案する。 GBNの構造は実際に圧縮された測定結果から復元可能であることを示す。
  論文  参考訳（メタデータ） (2022-03-17T22:16:38Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Fast Scalable Image Restoration using Total Variation Priors and Expectation Propagation [7.7731951589289565]
  本稿では,全変動(TV)を用いた画像復元のための拡張性のあるベイズ近似手法を提案する。 我々は期待伝搬(EP)フレームワークを用いて最小平均二乗誤差(MMSE)推定器と限界(ピクセル単位)分散を近似する。
  論文  参考訳（メタデータ） (2021-10-04T17:28:41Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。