論文の概要: Conditional validity of quantum event classifiers under collider systematics and quantum estimation uncertainty

• arxiv url: http://arxiv.org/abs/2609.02781v1
• Date: Wed, 02 Sep 2026 16:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.46733
• Title: Conditional validity of quantum event classifiers under collider systematics and quantum estimation uncertainty
• Title（参考訳）: コライダー系における量子事象分類器の条件的妥当性と量子推定の不確実性
• Abstract要約: 量子機械学習分類器に関する主張は、ターゲットデータシフトや有限ショット量子評価がモデル自体をランダムにする場合に失敗する可能性がある。 我々は,情報条件付き,フェールクローズドな監査フレームワークを開発し,サポートされた,反証された,未解決の評定を返却する。
• 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: Claims about a deployed quantum machine-learning classifier can fail when target data shift or when finite-shot quantum evaluation randomizes the model itself. We develop an information-conditional, fail-closed auditing framework that returns supported, refuted or unresolved verdicts with anytime-valid per-claim error control under a declared sampling protocol. On a Higgs-to-tau-tau collider benchmark, stable classifier metrics do not guarantee valid signal-strength inference: at the studied finite-template statistics, the fixed-template profile can lose coverage, even in shift-free controls, when its templates are estimated independently and template-statistical uncertainty is not modeled explicitly. Across 30 frozen finite-shot quantum-kernel deployments, every realized Gram matrix is propagated through refitting, calibration and threshold selection; in the primary raw pipeline these perturbations leave ranking nearly unchanged yet move thresholded target metrics by about 0.02, flipping ideal-anchored claims, and the diagonal-loading sensitivity decomposes differently. Matched classical controls remove apparent quantum-specific nominal-performance and sensing effects. We claim no quantum advantage.
• Abstract（参考訳）: デプロイされた量子機械学習分類器に関する主張は、ターゲットデータシフトや有限ショット量子評価がモデル自体をランダムにする場合に失敗する可能性がある。 宣言されたサンプリングプロトコルの下で,情報条件付き,フェールクローズドな監査フレームワークを開発した。 Higgs-to-tau-tau-collider ベンチマークでは、安定した分類器のメトリクスは有効な信号強度推定を保証していない:研究された有限テンプレート統計では、テンプレートが独立に推定され、テンプレート統計の不確実性が明示的にモデル化されていないときでも、固定テンプレートプロファイルは適用範囲を失う可能性がある。 30点以上の凍結された有限ショット量子カーネル配置では、すべての現実のグラム行列は、調整、校正、しきい値選択によって伝播される。 マッチした古典的な制御は、明らかに量子固有の名目性能と感覚効果を除去する。 量子的優位性は主張できない。

関連論文リスト

• Certifying Adversarial Robustness of Quantum Classifiers under Known-Readout Query Access [6.902322288643561]
  量子分類器は入力量子状態の進化と出力の測定によってラベルを割り当て、繰り返し実行されることはラベルの上の分布のみを明らかにする。 入力毎に2つの相補的な保証を返す測度のみのフレームワークを提供する。 提案手法では,2つの8量子ビット量子ニューラルネットワークの40個の実行から2つの境界を推定する。
  論文  参考訳（メタデータ） (2026-09-10T14:45:21Z)
• TARA Test-by-Adaptive-Ranks for Quantum Anomaly Detection with Conformal Prediction Guarantees [0.0]
  量子鍵分布(QKD)のセキュリティは、古典的な盗聴者シミュレーションと真の量子相関を区別する能力に依存する。 量子異常検出のための整合予測とシーケンシャルマーチンゲール検定を組み合わせた新しいフレームワークであるTARAを紹介する。
  論文  参考訳（メタデータ） (2025-12-03T17:53:38Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• When Quantum Nonlocality Does Not Play Dice [3.722125357019147]
  ベルの不等式違反は、量子的非局所性が本質的なランダム性を保証する証拠としてしばしば見なされる。 量子相関によって最大に違反する非自明なベル不等式が存在するが、任意の固定された入力対に対してランダム性を証明できないことを示す。 我々は、各固定された入力対に対して決定論的である最大非局所量子相関を構築する。
  論文  参考訳（メタデータ） (2024-08-07T10:07:39Z)
• Quantum Conformal Prediction for Reliable Uncertainty Quantification in Quantum Machine Learning [47.991114317813555]
  量子モデルは暗黙の確率予測器を実装し、測定ショットを通じて各入力に対して複数のランダムな決定を生成する。 本稿では、そのようなランダム性を利用して、モデルの不確実性を確実に捉えることができる分類と回帰の両方の予測セットを定義することを提案する。
  論文  参考訳（メタデータ） (2023-04-06T22:05:21Z)
• Certified Robustness of Quantum Classifiers against Adversarial Examples through Quantum Noise [68.1992787416233]
  量子ランダムな回転雑音を加えることで、敵攻撃に対する量子分類器のロバスト性を向上できることを示す。 我々は、量子分類器が敵の例に対して防御できるように、証明された堅牢性を導出する。
  論文  参考訳（メタデータ） (2022-11-02T05:17:04Z)
• Shot-frugal and Robust quantum kernel classifiers [12.146571029233435]
  量子カーネル法は、機械学習における量子スピードアップの候補である。 分類タスクにおいて,その目的は信頼性の高い分類であり,正確なカーネル評価ではないことを示す。 我々は分類の信頼性を特徴付ける新しい指標を動機付けている。
  論文  参考訳（メタデータ） (2022-10-13T12:48:23Z)
• Experimental violations of Leggett-Garg's inequalities on a quantum computer [77.34726150561087]
  単一および多ビット系におけるLeggett-Garg-Bellの不等式違反を実験的に観察する。 本分析では, 量子プラットフォームの限界に注目し, 上記の相関関数は, 量子ビットの数や回路深さが大きくなるにつれて, 理論的予測から逸脱することを示した。
  論文  参考訳（メタデータ） (2021-09-06T14:35:15Z)

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。