論文の概要: Fixed-Protocol Amortized MPS Tomography with Conformalized Predictive Uncertainty
- arxiv url: http://arxiv.org/abs/2607.11273v1
- Date: Mon, 13 Jul 2026 08:57:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.403648
- Title: Fixed-Protocol Amortized MPS Tomography with Conformalized Predictive Uncertainty
- Title（参考訳）: コンフォーマル化予測不確実性を有する固定プロトコール補正MPSトモグラフィ
- Authors: Jian Xu, Delu Zeng, John Paisley, Qibin Zhao,
- Abstract要約: 量子状態トモグラフィーはサンプリング・スターベットされ、その状態は狭く学習可能な多様体上で生きていく。
事前の見積もりは、既にほぼ最適であり、ほとんどの測定値において高い忠実度」は、断層撮影よりも家族の記憶である可能性がある。
そこで本稿では,ゲージ不変の忠実度損失を一度トレーニングしたemph-protocolアモータライズMPS推定器を提案する。
- 参考スコア（独自算出の注目度）: 31.082191748525137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum state tomography is sample-starved, and the states one prepares live on a narrow, learnable manifold. A $k{=}0$ prior-only control shows that on concentrated families a prior estimate is already near-optimal, so ``high fidelity at few measurements'' can be family memorization rather than tomography; genuine measurement-efficiency needs a model that conditions on the measurements and demonstrably uses them. On a shared matrix-product-state (MPS) core parameterization we study two routes. Approach~A learns a generative prior over MPS cores with measurement-guided posterior inference (gold-standard-validated, but whose few-measurement accuracy the control shows is largely the prior). Approach~B, our main proposal, is a \emph{fixed-protocol amortized} MPS estimator trained once with a gauge-invariant fidelity loss; we deliberately do not rest it on a permutation-invariant set encoder (a plain MLP matches it). The decisive lever is the measurement design: motivated by the fact that local reduced density matrices determine a $χ$-MPS, conditioning on an \emph{informative local} Pauli set rather than random strings turns a modest, memorization-prone estimator into a high-fidelity one ($\approx\!0.95$, up to $+0.59$ over prior-only, decisively passing a shuffled-measurement control). A dropout ensemble, conformally recalibrated, gives $\approx\!90\%$-coverage intervals -- including for observables never measured, where a shot-based interval does not exist. Quality holds as the system grows (fidelity $0.90$ at $n{=}10$, gain \emph{growing} in $n$; $0.88$ at bond dimension $χ{=}4$), the parameterization is polynomial (native contraction to $20$ qubits), and we close the loop on IBM hardware ($5$ states at $0.97$ from hardware-measured Paulis).
- Abstract（参考訳）: 量子状態トモグラフィーはサンプリング・スターベットされ、その状態は狭く学習可能な多様体上で生きていく。
k{=}0$ pre-only control は、集中した家庭では、事前の見積もりが既にほぼ最適であることを示しており、したがって ' '' は、トモグラフィーよりも家族の記憶であり、真の測定効率は、測定に条件を課し、実証的にそれらを使用するモデルを必要とする。
共有行列生成状態(MPS)コアパラメータ化について, 2つの経路について検討した。
アプローチ~Aは、測定誘導後部推論(金標準バリデード化されているが、制御の精度がほとんどない)でMPSコア上の生成先行を学習する。
Approach~B, our main proposal, is a \emph{fixed-protocol amortized} MPS estimator for a once trained with a gauge-invariant fidelity loss; we do not leave it on a permutation-invariant set encoder (a plain MLP match it)。
決定的なレバーは測定設計である: 局所還元密度行列が、ランダムな文字列ではなく \emph{informative local} Pauli 集合を条件に$$$-MPSを決定するという事実に動機づけられた。
0.95ドル、事前のみで最大0.59ドル、シャッフル測定制御を決定的に通過)。
ドロップアウトアンサンブルは、順に再校正され、$\approx\!
90 %$-coverage インターバル -- 観測可能なものを含め、ショットベースのインターバルは存在しない。
システムが成長するにつれて、品質は保たれる(fidelity $0.90$ at $n{=}10$, gain \emph{ growing} in $n$; $0.88$ at bond dimension $\{=}4$)。
関連論文リスト
- Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。
我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
論文 参考訳（メタデータ） (2025-03-07T08:41:53Z) - Pauli measurements are not optimal for single-copy tomography [34.83118849281207]
我々は、$O(frac10Nepsilon2)$の強い上限と$Omega(frac9.118Nepsilon2)$の低い上限を証明している。
これは、最初の既知のパウリ測定と構造化されたPOVMの分離を示している。
論文 参考訳（メタデータ） (2025-02-25T13:03:45Z) - Active Subsampling for Measurement-Constrained M-Estimation of Individualized Thresholds with High-Dimensional Data [3.1138411427556445]
測定制約のある問題では、大きなデータセットが利用可能であるにもかかわらず、大きなデータセットのごく一部でラベルを観測するのに手頃な価格にしかならない。
このことは、どのデータポイントが予算制約のあるラベルに最も有益であるかという重要な疑問を引き起こします。
本稿では,測定制約付きM推定フレームワークにおける最適個別化しきい値の推定に焦点をあてる。
論文 参考訳（メタデータ） (2024-11-21T00:21:17Z) - Quantum state testing with restricted measurements [30.641152457827527]
我々は,非適応測定の制限された家族に対して,複写複雑性を低く抑える情報理論フレームワークを開発した。
我々はこれらの2つのスキームの分離を実証し、固定されたスキームに対するランダム化測定スキームのパワーを示す。
論文 参考訳（メタデータ） (2024-08-30T17:48:00Z) - Quantum Error Suppression with Subgroup Stabilisation [3.4719087457636792]
量子状態浄化(Quantum state purification)とは、未知の状態の複数のコピーが与えられたとき、純度の高い状態を出力する機能である。
そこで本稿では,M$のノイズ量子入力をサブスペースに投射することで,量子オーバーヘッドを適度に高める有効な状態浄化ガジェットを提案する。
提案手法は, ノイズ状態の重複コピーを$M$以上の短い進化で適用することにより, 整合性および誤差をそれぞれ1/M$の係数で抑制することができる。
論文 参考訳（メタデータ） (2024-04-15T17:51:47Z) - Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit
Feedback and Unknown Transition [71.33787410075577]
線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。
我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-07T15:03:50Z) - The role of shared randomness in quantum state certification with
unentangled measurements [36.19846254657676]
非絡み合った量子測定を用いて量子状態認証を研究する。
$Theta(d2/varepsilon2)$コピーが必要である。
我々は固定化とランダム化の両方のための統一された下界フレームワークを開発する。
論文 参考訳（メタデータ） (2024-01-17T23:44:52Z) - Optimal Membership Inference Bounds for Adaptive Composition of Sampled
Gaussian Mechanisms [93.44378960676897]
トレーニングされたモデルとデータサンプルが与えられた場合、メンバシップ推論(MI)アタックは、サンプルがモデルのトレーニングセットにあるかどうかを予測する。
MI攻撃に対する一般的な対策は、モデルトレーニング中に差分プライバシー(DP)を利用して個々の事例の存在を隠蔽することである。
本稿では,MI攻撃を装着した相手のテキスト・アドバンテージのバウンダリを導出し,広く利用されているガウス機構の厳密性を示す。
論文 参考訳（メタデータ） (2022-04-12T22:36:56Z) - Variance-Aware Confidence Set: Variance-Dependent Bound for Linear
Bandits and Horizon-Free Bound for Linear Mixture MDP [76.94328400919836]
線形バンドイットと線形混合決定プロセス(mdp)に対する分散認識信頼セットの構築方法を示す。
線形バンドイットに対しては、$d を特徴次元とする$widetildeo(mathrmpoly(d)sqrt1 + sum_i=1ksigma_i2) が成り立つ。
線形混合 MDP に対し、$widetildeO(mathrmpoly(d)sqrtK)$ regret bound を得る。
論文 参考訳（メタデータ） (2021-01-29T18:57:52Z)
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。