論文の概要: Global Bounds beyond Local Quantum Metrology

• arxiv url: http://arxiv.org/abs/2605.28374v1
• Date: Wed, 27 May 2026 12:13:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.034982
• Title: Global Bounds beyond Local Quantum Metrology
• Title（参考訳）: 局所量子メトロロジーを超えたグローバル境界
• Authors: Hai-Long Shi, Augusto Smerzi,
• Abstract要約: 量子クラメール-ラオ理論は特定のパラメータ値の近くで精度を制限している。 バランキン型境界は有限パラメータ変位を用いるが、選択された基準値に固定される。 パラメータ領域全体の重み付き分散に結びついたグローバルスコア関数を導入する。
• 参考スコア（独自算出の注目度）: 3.233545237942899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum Cramér--Rao theory is intrinsically local: it bounds precision near a specified parameter value, and its saturating measurement generally depends on that value. Barankin-type bounds use finite parameter displacements, but remain anchored to a chosen reference value. This leaves open a basic global-estimation problem: when the parameter is known only within a broad domain, what precision can be guaranteed by a single estimator and a single measurement strategy fixed before the true value is localized? We answer this question by introducing global score functions tied to a weighted variance over the whole parameter domain. Their correlations generate a hierarchy of precision bounds: global Cramér--Rao and Barankin-type bounds arise as restricted levels, whereas unrestricted score correlations yield a fully global bound for the prescribed weighted variance. The hierarchy recovers local Cramér--Rao theory in the many-repetition limit and reveals genuinely global precision limits for finite data over broad domains. In the quantum setting, the construction identifies when this fully global bound can be realized by a single parameter-independent measurement. The same framework extends to Bayesian estimation, recovering the Van Trees bound in the local limit while yielding stronger finite-width lower bounds on the Bayesian mean-square error beyond this limit.
• Abstract（参考訳）: 量子クラメール-ラオ理論は本質的に局所的であり、特定のパラメータ値の近くで精度を束縛し、その飽和度は一般にその値に依存する。 バランキン型境界は有限パラメータ変位を用いるが、選択された基準値に固定される。 パラメータが広い領域内でのみ知られている場合、単一の推定器と真の値がローカライズされる前に固定された単一の測定戦略によって、どの精度が保証されるのか? パラメータ領域全体の重み付き分散に結びついたグローバルスコア関数を導入することで、この問題に答える。 グローバルクラメール-ラオとバランキン型境界は制限レベルとして生じるが、制限されていないスコア相関は所定の重み付き分散に対して完全に大域的境界をもたらす。 この階層は多重反復極限において局所クラメール・ラオ理論を復元し、広い領域上の有限データに対する真の大域的精度限界を明らかにする。 量子設定では、この完全大域境界が単一のパラメータ非依存の測定によっていつ実現できるかが特定される。 同じ枠組みはベイズ推定にまで拡張され、局所極限に有界なVan Treesを回復し、この極限を超えるベイズ平均二乗誤差の強い有限幅下界を得る。

関連論文リスト

• Multiparameter quantum estimation with a uniformly accelerated Unruh-DeWitt detector [9.787190061842821]
  本研究では,Unruh-DeWitt検出器を有界およびミンコフスキー真空の真空スカラー場に結合させた一様加速検出器について検討した。 量子クラメロ-ラオ境界は初期位相と重みパラメータを含む推定に対して厳密な誤差を与えることができない。 境界の場合、境界の導入は、ホレボ・クラメル・ラオ境界と長岡境界の両方の値が体系的に減少するのを観察する。
  論文  参考訳（メタデータ） (2026-01-06T03:48:03Z)
• GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances [0.0]
  GLOBEは、学習可能なグリーン関数のようなカーネルの重ね合わせとして、境界面からターゲットへ評価されるソリューションである。 AirFRANSでは、GLOBEは相当な精度向上を実現している。 結果は、厳密な物理学とドメインにインスパイアされた帰納的バイアスが、精度、一般化可能性、実用性に大きな利益をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-11-19T20:23:51Z)
• Ordering-based Conditions for Global Convergence of Policy Gradient Methods [73.6366483406033]
  線形関数近似を持つ有限腕バンディットに対して、ポリシー勾配法(PG)のグローバル収束はポリシー更新と表現の間の関係性に依存することを証明した。 全体として、これらの観測は線形関数近似の下でのPG法の大域収束を特徴づけるための適切な量として、疑問近似誤差を訴えている。
  論文  参考訳（メタデータ） (2025-04-02T21:06:28Z)
• Saturable global quantum sensing [0.0]
  我々は、固定的だが最適化された設定に対して、グローバルセンシングに対する運用上の動機付けされたアプローチを提供する。 提案手法は,測定値とプローブ作成を同時に最適化する飽和精度境界を与える。
  論文  参考訳（メタデータ） (2024-10-15T20:37:38Z)
• The Cramér-Rao approach and global quantum estimation of bosonic states [52.47029505708008]
  Cram'er-Rao アプローチが局所的推定ではなく大域的推定に当てはまるかどうかは不明である。 クラムエル・ラオ法が成立し、非IID条件下でのボゾン状態の族を含む量子状態推定問題に有効でない状況を見つける。
  論文  参考訳（メタデータ） (2024-09-18T09:49:18Z)
• Optimal estimation of pure states with displaced-null measurements [0.0]
  純粋量子状態の未知パラメータを推定する問題を再検討する。 本研究では,実験者が真のシステム状態に近いベクトルを含む基準で測定することを目指すヌル測度戦略について検討する。
  論文  参考訳（メタデータ） (2023-10-10T16:46:24Z)
• Instance-Dependent Generalization Bounds via Optimal Transport [51.71650746285469]
  既存の一般化境界は、現代のニューラルネットワークの一般化を促進する重要な要因を説明することができない。 データ空間における学習予測関数の局所リプシッツ正則性に依存するインスタンス依存の一般化境界を導出する。 ニューラルネットワークに対する一般化境界を実験的に解析し、有界値が有意義であることを示し、トレーニング中の一般的な正規化方法の効果を捉える。
  論文  参考訳（メタデータ） (2022-11-02T16:39:42Z)
• $\texttt{FedBC}$: Calibrating Global and Local Models via Federated Learning Beyond Consensus [66.62731854746856]
  フェデレートラーニング(FL)では、デバイス全体にわたるモデル更新の集約を通じて、グローバルモデルを協調的に学習する目的は、ローカル情報を通じたパーソナライズという目標に反対する傾向にある。 本研究では,このトレードオフを多基準最適化により定量的にキャリブレーションする。 私たちは、$texttFedBC$が、スイートデータセット間でグローバルおよびローカルモデルのテスト精度のメトリクスのバランスをとることを実証しています。
  論文  参考訳（メタデータ） (2022-06-22T02:42:04Z)

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。