論文の概要: Quantum Amplitude Estimation for Catastrophe Insurance Tail-Risk Pricing: Empirical Convergence and NISQ Noise Analysis
- arxiv url: http://arxiv.org/abs/2603.15664v1
- Date: Tue, 10 Mar 2026 15:20:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:06.858074
- Title: Quantum Amplitude Estimation for Catastrophe Insurance Tail-Risk Pricing: Empirical Convergence and NISQ Noise Analysis
- Title（参考訳）: カタストロフィ保険Tail-Risk価格の量子振幅推定:経験的収束とNISQ雑音解析
- Authors: Alexis Kirke,
- Abstract要約: 量子振幅推定(QAE)はモンタナロに続いて、オラクルクエリにおける相互Nの順序にアプローチする。
我々は、真のGrover増幅を備えたQiskit Aerシミュレータを用いて、この利点を実証的に検証する。
合成および実データ(NOAA Storm Events, 58,028レコード)に関する7つの実験は、3つの主要な発見をもたらす。
- 参考スコア（独自算出の注目度）: 0.13537117504260618
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Classical Monte Carlo methods for pricing catastrophe insurance tail risk converge at order reciprocal root N, requiring large simulation budgets to resolve upper-tail percentiles of the loss distribution. This sample-sparsity problem can lead to AI models trained on impoverished tail data, producing poorly calibrated risk estimates where insolvency risk is greatest. Quantum Amplitude Estimation (QAE), following Montanaro, achieves convergence approaching order reciprocal N in oracle queries - a quadratic speedup that, at scale, would enable high-resolution tail estimation within practical budgets. We validate this advantage empirically using a Qiskit Aer simulator with genuine Grover amplification. A complete pipeline encodes fitted lognormal catastrophe distributions into quantum oracles via amplitude encoding, producing small readout probabilities that enable safe Grover amplification with up to k=16 iterations. Seven experiments on synthetic and real (NOAA Storm Events, 58,028 records) data yield three main findings: an oracle-model advantage, that strong classical baselines win when analytical access is available, and that discretisation, not estimation, is the current bottleneck.
- Abstract（参考訳）: 古典的なモンテカルロ法では、災害保険のテールリスクの価格設定は、損失分布の上限パーセンタイルを解決するために大規模なシミュレーション予算を必要とする。
このサンプルスパーシリティ問題は、不足したテールデータに基づいてトレーニングされたAIモデルにつながる可能性がある。
量子振幅推定(QAE、Quantum Amplitude Estimation)は、モンタナロに倣って、オーラルクエリーにおける順序相反Nに近づく収束を達成する。
我々は、真のGrover増幅を備えたQiskit Aerシミュレータを用いて、この利点を実証的に検証する。
完全パイプラインは、入力エンコーディングを介して量子オーラクルに適合した対数正規カタストロフィ分布を符号化し、最小16回までのGrover増幅が可能な小さな読み出し確率を生成する。
合成および実データ(NOAA Storm Events, 58,028レコード)に関する7つの実験は、3つの主要な発見をもたらす。
関連論文リスト
- Neuro-Symbolic Financial Reasoning via Deterministic Fact Ledgers and Adversarial Low-Latency Hallucination Detector [2.950245545999729]
検証可能な数値推論エージェント(VeNRA)について紹介する。
VeNRAは、RAGパラダイムを確率的テキストの検索から厳密な型付きUniversal Fact Ledger (UFL)による決定論的変数の検索へとシフトさせる
著者らは3ビリオンのSLMを訓練し、単一の推論予算を用いて予測候補を法医学的に監査する。
論文 参考訳（メタデータ） (2026-03-04T22:55:16Z) - Generalized Bayes for Causal Inference [47.66564705927885]
不確かさの定量化は、因果機械学習の多くの応用の中心である。
標準的なベイズ的アプローチでは、データ生成プロセスの確率モデルを指定する必要がある。
因果推論のための一般化されたベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2026-03-03T14:27:23Z) - Stabilized Maximum-Likelihood Iterative Quantum Amplitude Estimation for Structural CVaR under Correlated Random Fields [0.0]
Conditional Value-at-Risk (CVaR) は構造力学における中心的なテールリスク尺度である。
本研究では,CVaR評価を信頼性制約付き最大形振幅推定問題として用いた量子強化推論フレームワークを開発した。
論文 参考訳（メタデータ） (2026-02-10T14:53:26Z) - Scalable and Reliable State-Aware Inference of High-Impact N-k Contingencies [4.588028371034407]
ACパワーフローやACOPFによる全機能停止組合せの排他的評価は日常的な操作では不可能である。
本稿では,高インパクトな$N!-k$の停止シナリオを直接生成するように設計された,スケーラブルでステートアウェアな並行性推論フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-10T06:55:59Z) - Statistical Estimation of Adversarial Risk in Large Language Models under Best-of-N Sampling [50.872910438715486]
大規模言語モデル(LLM)は、通常、単一ショットまたは低予算の逆のプロンプトの下で安全性を評価する。
我々は,Best-of-Nサンプリングの下でのジェイルブレイク脆弱性をモデル化するための,スケーリング対応のリスク推定手法であるSABERを提案する。
論文 参考訳（メタデータ） (2026-01-30T06:54:35Z) - Quantum Subgradient Estimation for Conditional Value-at-Risk Optimization [0.0]
条件付きバリュー・アット・リスク(CVaR)は金融における主要なテールリスク指標である。
本稿では,振幅推定に基づくCVaR最小化のための量子下降オラクルを解析する。
論文 参考訳（メタデータ） (2025-10-06T12:09:43Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。
我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
論文 参考訳（メタデータ） (2025-06-03T02:56:26Z) - Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。
我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。
NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
論文 参考訳（メタデータ） (2025-03-23T10:52:36Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z)
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。