論文の概要: Finite-shot operating windows for probabilistic error cancellation and Clifford data regression

• arxiv url: http://arxiv.org/abs/2606.21686v1
• Date: Fri, 19 Jun 2026 18:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:01:00.931005
• Title: Finite-shot operating windows for probabilistic error cancellation and Clifford data regression
• Title（参考訳）: 確率誤差キャンセルとクリフォードデータ回帰のための有限ショット動作窓
• Authors: Vicenzo Scavino,
• Abstract要約: ノイズデバイスにおける量子誤差低減は、残差バイアスだけでなく、緩和手順自体によって導入されたショットノイズやキャリブレーション誤差によっても制限される。 確率的誤差キャンセル (PEC) , クリフォードデータ回帰 (CDR) に対する有限ショット平均二乗誤差境界を導出し, ノイズの多いパウリ観測可能な推定値の緩和は行わない。
• 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: Quantum error mitigation on noisy devices is limited not only by residual bias but also by the shot noise and calibration errors introduced by the mitigation procedure itself. We derive finite-shot mean-square-error boundaries for probabilistic error cancellation (PEC), Clifford data regression (CDR), and no mitigation for noisy Pauli-observable estimates. Exact PEC removes the target bias under an exact noise inverse at the price of a quasi-probability variance overhead, whereas population linear CDR can have smaller target-shot variance but retains a calibration floor when the training and target noise responses do not match. This competition yields a finite CDR-dominant operating window whose upper endpoint scales as $B_{\mathrm{PEC}=\mathrm{CDR}}(p)\propto 1/(δ_1^2p)$, where $δ_1$ is the first-order CDR calibration mismatch. We further prove a target-response projection theorem showing that response-blind affine CDR removes the first-order bias only when the target noise response is affine in the ideal target value; otherwise a nonzero projection error gives an irreducible local calibration floor. The same mean-square-error formulation extends to second-order calibration, commuting Pauli Hamiltonians, finite CDR training shots, and residual PEC model bias. A closed-form two-qubit calculation and QAOA simulations support the predicted no-mitigation, CDR-dominant, and PEC-dominant regimes.
• Abstract（参考訳）: ノイズデバイスにおける量子誤差低減は、残差バイアスだけでなく、緩和手順自体によって導入されたショットノイズやキャリブレーション誤差によっても制限される。 確率的誤差キャンセル (PEC) , クリフォードデータ回帰 (CDR) に対する有限ショット平均二乗誤差境界を導出し, ノイズの多いパウリ観測可能な推定値の緩和は行わない。 Exact PECは、準確率分散オーバーヘッドの価格で、目標バイアスを正確なノイズ反転の下で除去する一方、集団線形CDRは、目標ショット分散を小さくすることができるが、トレーニングと目標ノイズ応答が一致しない場合に、校正フロアを保持する。 この競合は、上限が$B_{\mathrm{PEC}=\mathrm{CDR}}(p)\propto 1/(δ_1^2p)$であり、$δ_1$は1階のCDRキャリブレーションミスマッチである有限なCDR支配のオペウィンドウを生成する。 さらに、応答ブラインドアフィンCDRは、目標雑音応答が理想目標値でアフィンである場合にのみ第一次バイアスを除去し、そうでなければ非ゼロ射影誤差は既約局所校正フロアを与えることを示す。 同じ平均二乗誤差の定式化は二階校正にまで拡張され、パウリ・ハミルトニアンの通勤、有限CDR訓練ショット、残留PECモデルのバイアスが与えられる。 閉形式2量子ビット計算とQAOAシミュレーションは、予測された非緩和、CDR支配、およびPEC支配体制をサポートする。

関連論文リスト

• Bias-Corrected Adaptive Conformal Inference for Multi-Horizon Time Series Forecasting [0.0]
  アダプティブ・コンフォーマル推論(Adaptive Conformal Inference, ACI)は、分散シフト中の時系列のカバレッジ保証を備えた、分布のない予測間隔を提供する。 状態変化の後、ベース予測器が永続的バイアスを発生させると、ACIは左右対称に間隔を広げて補償し、不要に保守的な帯域を生成する。 本稿では,予測バイアスの指数重み付きオンライン移動平均(EWM)で標準ACIを増大させるバイアス補正ACI(BC-ACI)を提案する。
  論文  参考訳（メタデータ） (2026-04-14T19:33:59Z)
• Fair regression under localized demographic parity constraints [9.082079838093371]
  F f |S=s (z m ) = $ell$m という形の CDF 制約をグループ的に課する,新規な (ell$, Z)-fair predictor を導入する。 合成データセットと実データセットの実験では、解釈可能なフェアネス精度のトレードオフが示され、決定関連量子またはしきい値に対するターゲット修正が可能である。
  論文  参考訳（メタデータ） (2026-03-26T09:21:05Z)
• Nonparametric Distribution Regression Re-calibration [3.0204520109309847]
  全体的な予測誤差の最小化は、キャリブレーションよりも情報を優先することをモデルに推奨する。 安全クリティカルな設定では、信頼に値する不確実性推定は狭い間隔よりも価値があることが多い。 条件付きカーネル平均埋め込みに基づく新しい非パラメトリック再校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-13T11:48:43Z)
• Save the Good Prefix: Precise Error Penalization via Process-Supervised RL to Enhance LLM Reasoning [59.76691952347156]
  強化学習(RL)は,大規模言語モデル(LLM)の推論能力向上のための強力なフレームワークとして登場した。 既存のRLアプローチの多くは疎結果報酬に依存しており、部分的に成功した解では正しい中間段階を信用できない。 本稿では、PRMを用いてRL中の最初のエラーをローカライズする検証済み事前修正ポリシー最適化(VPPO)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T21:38:20Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Approximating Full Conformal Prediction for Neural Network Regression with Gauss-Newton Influence [8.952347049759094]
  我々は、保留データなしで、保留後のニューラルネットワーク回帰器の予測間隔を構築する。 ガウス・ニュートンの影響を利用して1回、局所摂動モデルパラメータを訓練する。
  論文  参考訳（メタデータ） (2025-07-27T13:34:32Z)
• Classification with Reject Option: Distribution-free Error Guarantees via Conformal Prediction [1.1380162891529535]
  我々は、二項分類におけるリジェクションオプションによる機械学習のアプローチを定式化する。 結果の誤差率に関する理論的保証を提供する。 エラー・リジェクト曲線は、エラーレートとリジェクトレートの間のトレードオフを示している。
  論文  参考訳（メタデータ） (2025-06-26T23:04:25Z)
• 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)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)

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。