論文の概要: Batched and Complete U-Statistics for Trace-Polynomial Estimation from Classical Shadows

• arxiv url: http://arxiv.org/abs/2608.22962v1
• Date: Mon, 24 Aug 2026 08:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.994854
• Title: Batched and Complete U-Statistics for Trace-Polynomial Estimation from Classical Shadows
• Title（参考訳）: 古典的影からのトレーサ・ポリノミカル推定のためのバッチと完全U統計
• Abstract要約: グローバルな古典的影からトレースoperatornametr p(PP)$を推定する。 解離近似と完全なU統計は、同じトレースモーメントの偏りのない推定子を生み出す。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study estimation of the trace polynomial $\operatorname{tr} p(PρP)$ from global classical shadows, where $ρ$ is an unknown quantum state and $P$ is a fixed projector. Disjoint batching and complete U-statistics yield unbiased estimators of the same trace moments, but assign different sample-size factors to the degenerate terms in their Hoeffding decompositions. Under the global Clifford protocol, exact degree-two variance formulas show that, on a null projected block of rank $s$, the quadratic degenerate term has order $s^2/N$ under batching and $s^2/N^2$ under complete symmetrization. For a logarithmic-degree polynomial used in entropy approximation, the quadratic coefficient raises the batched variance to at least order $s^2N\log^2N$ at the classical entropy cutoff. For complete U-statistics, we derive a cross-degree covariance identity and an exact variance decomposition for polynomial estimators. We also bound every Hoeffding order at a fixed degree and obtain a growing-dimensional risk bound for a small-spectrum entropy functional. The higher-order bounds retain a polynomial dependence on the ambient dimension and therefore do not cover logarithmically increasing degrees. Monte Carlo experiments confirm the degree-two formulas, and exact calculations illustrate the entropy risks.
• Abstract（参考訳）: トレース多項式 $\operatorname{tr} p(PρP)$ を大域的古典的影から推定し、$ρ$ は未知の量子状態であり、$P$ は固定プロジェクターである。 解離バッチと完全U統計は、同じトレースモーメントの偏りのない推定値を生成するが、ホイーフィンディング分解における退化項に異なるサンプルサイズ因子を割り当てる。 グローバルクリフォードプロトコルの下では、厳密な次数 2 の分散式は、階数 $s$ の有理射影ブロック上で、二次退化項は、バッチの次数 $s^2/N$ と完全対称性の次数 $s^2/N^2$ を持つことを示す。 エントロピー近似で用いられる対数次多項式に対して、二次係数は、古典的エントロピーカットオフにおいて、バッチされた分散を少なくとも位数$s^2N\log^2N$に上げる。 完全U-統計学では、多項式推定器のクロス次共分散等式と正確な分散分解を導出する。 また、すべてのホーフディング順序を一定の次数で有界化し、小さなスペクトルエントロピー函数に対して有界な成長次元のリスクを得る。 高次の境界は周囲次元への多項式依存を保ち、したがって対数的に増加する次数をカバーすることはない。 モンテカルロの実験は次数2の式を確認し、正確な計算はエントロピーのリスクを示す。

関連論文リスト

• Uniform Statistical Convergence of Empirical Sinkhorn Potentials with Exponential and Polynomial Dependence on the Regularization Parameter [3.6552781109515853]
  本研究では,一様損失下でのエントロピー最適輸送電位の実験的シンクホーン推定器について検討した。 固定正規化パラメータ $varepsilon>0$ に対して、漸近的でない統計レート $n-1/2$ を確立する。 鍵となる要件は、シンクホーン写像の残留安定度推定である。
  論文  参考訳（メタデータ） (2026-08-29T08:59:00Z)
• Sharp Root Anti-Concentration via Projective Incidence and Ordered Root Laws [12.204228610806181]
  最低ケース間隔ヒッティング定数は, 区間平均射影入射速度のA$倍であることを示す。 また、トランジッション・トゥ・レグレット・チェーンを完成させる2つのグラフ学習アプリケーションも提供します。
  論文  参考訳（メタデータ） (2026-08-03T04:04:56Z)
• Quantum Speedups for Stochastic Optimization with Heavy-Tailed Noise [49.730496294398726]
  重み付き確率変数に対する新しい量子平均推定器を開発した。 尾指数>4/3$のより強い下界を導出し、次元への非自明な依存が避けられないことを示す。 凸目的関数に対して,量子射影勾配降下法を提案する。
  論文  参考訳（メタデータ） (2026-07-28T09:29:37Z)
• Research Report on Noise-Shaped One-Bit Coefficients in Discrete Polynomial Fourier Extension [0.0]
  本報告では、正規化離散フーリエ展開におけるノイズ形状の1ビット係数について検討する。 一階のシグマ量子化の場合、誤差は$e_k=u_k-q_k=v_k$と書かれ、一様有界である。 パラボリックな$_x,t()=x+t2$の場合、境界は$J(x,t)=int_01 |x+2t|d$で表され、均一な$N-1$レートはシャープである。
  論文  参考訳（メタデータ） (2026-07-26T21:51:41Z)
• Exponential Reduction of Mesh Dependence in Quantum Estimation of Parabolic PDE Observables [3.3636842548621275]
  線形および二次可観測物を推定し、測定前に回路内部に粗いキャンセリングを配置する量子PDEアルゴリズムを開発した。 また、1次元のエネルギー直交ダイアド中間点の詳細に基づく非フーリエ実現を与える。
  論文  参考訳（メタデータ） (2026-07-20T16:09:24Z)
• Non-Asymptotic Variational Learning for Monotone Nonlinear Multiscale Elliptic Equations: Scale-Robust Primal-Dual Bounds and Strong-Form Statistical Ill-Conditioning [0.0]
  我々は、一様非線形多スケール楕円型方程式の変分物理学インフォームド近似に対する非漸近近似、サンプリング、有限点最適化理論を開発した。 境界整合性ニューロ特徴クラスでは、集団誤差は近似、経験的四分法、投影的次数項に分けられ、全ての非近似定数は顕微鏡スケール(ヴァレプシロン)で均一である。
  論文  参考訳（メタデータ） (2026-07-17T07:26:29Z)
• Statistical inverse learning and $\ell^1$-regularization [0.27998963147546135]
  統計的逆学習の枠組みにおいて,有限,雑音,間接的な観測からスパース関数の回復について検討した。 我々は、ほぼ公約指数を確立し、予測基準と$ell1$復元基準の両方において、非漸近的高確率収束率を導出する。
  論文  参考訳（メタデータ） (2026-07-08T14:32:08Z)
• Is Spurious Correlation Removal Always Learnable? [56.28155520961125]
  不変学習は、構造が統計的に識別可能であっても失敗することがある。 ブラックボックスサンプリング可能な教師付きスパースリカバリプリミティブの下では、実証可能な多次元環境が存在する。 合成および実際のデータセットは、予測されたギャップと遷移を示し、単純な多様性診断を動機付ける。
  論文  参考訳（メタデータ） (2026-06-11T05:49:43Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Average-Case Complexity of Tensor Decomposition for Low-Degree Polynomials [93.59919600451487]
  多くの統計的推論タスクにおいて「統計計算ギャップ」が発生する。 1つの成分が他の成分よりもわずかに大きいランダムオーダー3分解モデルを考える。 テンソルエントリは$ll n3/2$のとき最大成分を正確に推定できるが、$rgg n3/2$のとき失敗する。
  論文  参考訳（メタデータ） (2022-11-10T00:40:37Z)
• Stochastic behavior of outcome of Schur-Weyl duality measurement [45.41082277680607]
  我々は、$n$ qubits上のシュル=ワイル双対性に基づく分解によって定義される測定に焦点をあてる。 我々は、$n$が無限大に進むとき、中心極限の一種を含む様々な種類の分布を導出する。
  論文  参考訳（メタデータ） (2021-04-26T15:03:08Z)

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。