論文の概要: Spectral Minimax Direct Fidelity Estimation for Generic Target States

• arxiv url: http://arxiv.org/abs/2605.01438v1
• Date: Sat, 02 May 2026 13:21:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.772117
• Title: Spectral Minimax Direct Fidelity Estimation for Generic Target States
• Title（参考訳）: ジェネリックターゲット状態に対するスペクトルミニマックス直接忠実度推定
• Authors: Hyunho Cha, Jungwoo Lee,
• Abstract要約: 同一の非適応単一コピー計測モデルの下で、任意のターゲット状態に対する正確なスペクトル置換を提案する。 我々は, 線形推定器を単一演算子同定により特徴付け, 固定された再構成係数に対する状態の最適サンプリング法を定式化し, 正確なミニマックス問題を半定値プログラムに変換する。
• 参考スコア（独自算出の注目度）: 5.706918315850497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Direct fidelity estimation benefits from tailoring measurements to a fixed target, but the operator-aware shadow importance sampling (OASIS) method optimizes an outcome-wise linear-program surrogate rather than the exact worst-case variance over physical states. We propose an exact spectral replacement for arbitrary target states under the same non-adaptive single-copy measurement model. Specifically, we characterize unbiased linear estimators by a single operator identity, determine the state-wise optimal sampling law for fixed reconstruction coefficients, and convert the exact minimax problem into a semidefinite program. The resulting offline design and online estimator are presented as an algorithm and implemented with local Pauli measurements. Numerical simulations under depolarizing noise demonstrate that our exact spectral optimization outperforms the OASIS surrogate in terms of estimation variance.
• Abstract（参考訳）: 直接忠実度推定は、固定目標への調整による利点があるが、演算子認識影重み付け(OASIS)法は、物理状態に対する正確な最悪ケース分散よりも、結果ワイドな線形プログラムサロゲートを最適化する。 同一の非適応単一コピー計測モデルの下で、任意の目標状態に対する正確なスペクトル置換を提案する。 具体的には, 線形推定器を単一演算子同定により特徴付け, 固定された再構成係数に対する状態ワイド最適サンプリング法を定式化し, 正確なミニマックス問題を半定値プログラムに変換する。 結果のオフライン設計とオンライン推定器はアルゴリズムとして提示され、局所的なパウリ測定で実装される。 偏極雑音下での数値シミュレーションにより、我々の正確なスペクトル最適化は推定分散の点でOASISサロゲートよりも優れていることが示された。

関連論文リスト

• Optimal Estimation in Orthogonally Invariant Generalized Linear Models: Spectral Initialization and Approximate Message Passing [36.35215381372567]
  本稿では、最適スペクトル推定器と近似メッセージパッシング(AMP)アルゴリズムを提案する。 本稿では,スペクトル反復最適化のパラダイムに基づいて,最適スペクトル推定器と近似メッセージパッシング(AMP)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-09T22:08:09Z)
• 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)
• Near-optimal Rank Adaptive Inference of High Dimensional Matrices [46.66027208538566]
  線形測定から高次元行列を推定する問題に対処する。 本稿では,Last-Squares推定器と共通特異値しきい値のしきい値処理を併用したアルゴリズムを提案する。 この結果は, 特異値しきい値のしきい値に基づく行列分解手法の高度化に依拠している。
  論文  参考訳（メタデータ） (2025-10-09T12:01:46Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• On the design-dependent suboptimality of the Lasso [27.970033039287884]
  最小特異値が小さい場合、ラッソ推定器は、確実に最小値であることを示す。 我々の下限は、ラッソの全ての形態のまばらな統計的最適性を妨げるのに十分強い。
  論文  参考訳（メタデータ） (2024-02-01T07:01:54Z)
• Spectral Estimators for Structured Generalized Linear Models via Approximate Message Passing [28.91482208876914]
  本研究では,高次元一般化線形モデルにおけるパラメータ推定の問題について考察する。 広く使われているにもかかわらず、厳密なパフォーマンス特性とデータ前処理の原則が、構造化されていない設計でのみ利用可能である。
  論文  参考訳（メタデータ） (2023-08-28T11:49:23Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• 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。