論文の概要: Haar-Bayesian Pure-State Prediction under Relative-Entropy Loss: Arbitrary-Effect Reduction and Global Optimality

• arxiv url: http://arxiv.org/abs/2609.10072v1
• Date: Wed, 09 Sep 2026 11:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.007378
• Title: Haar-Bayesian Pure-State Prediction under Relative-Entropy Loss: Arbitrary-Effect Reduction and Global Optimality
• Title（参考訳）: 相対エントロピー損失下におけるHaar-Bayesian純状態予測:任意効果低減とグローバル最適性
• Abstract要約: 未知の有限次元純量子状態の未測定コピーのハール・ベイズ予想について検討する。 性能は量子相対エントロピーによって評価される。
• 参考スコア（独自算出の注目度）: 42.694152897125726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study Haar-Bayesian prediction of one unmeasured copy of an unknown finite-dimensional pure quantum state after an arbitrary collective measurement on $n$ observed copies. Performance is evaluated by quantum relative entropy. For a fixed measurement, the Bayes predictive state is the posterior mean and the optimized conditional loss is its entropy. We then optimize the measurement over all POVMs on the symmetric subspace. For every nonzero positive effect $E$, the corresponding posterior predictive state is $μ_E=(I+nρ_E)/(n+d)$, where $ρ_E$ is the normalized one-particle marginal of $E$. Since a pure spectrum majorizes every density-operator spectrum, this identity gives an outcome-wise entropy lower bound. Coherent rank-one effects attain the bound, and their Haar orbit yields the highest-weight covariant POVM. Hence this POVM is globally Bayes optimal over all collective measurements and, by covariance, globally minimax. Its exact risk is $h_d((n+1)/(n+d))$, where $h_d(r)=-r\log r-(1-r)\log((1-r)/(d-1))$. The same arbitrary-effect reduction shows that the highest-weight POVM also maximizes the joint overlap between the latent pure state and its posterior predictive state, equivalently the mean posterior purity, with optimum $((n+1)^2+d-1)/(n+d)^2$.
• Abstract（参考訳）: 本研究では,未知の有限次元純量子状態の1つの未測定コピーのHaar-Bayes的予測について検討した。 性能は量子相対エントロピーによって評価される。 固定された測定では、ベイズ予測状態は後平均であり、最適化された条件損失はそのエントロピーである。 次に、対称部分空間上のすべてのPOVMの測定を最適化する。 任意の非ゼロ正の効果$E$に対して、対応する後続の予測状態は$μ_E=(I+nρ_E)/(n+d)$である。 純粋なスペクトルはすべての密度-演算スペクトルを最大化するので、この同一性は結果-エントロピーの下界を与える。 コヒーレントなランク1効果は境界に達し、ハール軌道は最高級の共変POVMを生成する。 したがって、このPOVMはすべての集合の測定と共分散により、世界最小のベイズに最適である。 その正確なリスクは$h_d((n+1)/(n+d))$であり、$h_d(r)=-r\log r-(1-r)\log((1-r)/(d-1))$である。 同じ任意の効果の減少は、最大重み付きPOVMが潜在純状態とその後続予測状態の間の結合重なりを最大化することを示し、これは同値であり、最適の$((n+1)^2+d-1)/(n+d)^2$である。

関連論文リスト

• Restricted Eigenvalues Beyond Gaussian Width: Threshold Occupancy under Heavy Tails [47.36630149538994]
  等方的準ガウス測度の場合、ベンチマークサンプルサイズは1+w(A)2$であり、$w(A)$は正規化降下円錐のガウス幅である。 ここで定式化された一般的な問題に対して、明示的で体系的な否定的な答えを与える:提案された法則は、その全次元自由で任意の集合形式で失敗する。 等方性の下では、アフィン次元倍の2乗半径で支配される分布のないフォールバックがこの族に鋭い。
  論文  参考訳（メタデータ） (2026-09-03T08:05:05Z)
• Global Minimax Readout of a Qubit Direction [5.246986428523558]
  我々は、パラメータ非依存の読み出しを用いて、既知のBloch-vector長で未知のキュービット方向を推定する、最悪のフィッシャー情報コストを正確に決定する。 記録された古典的ランダム化を含む固定局所アーキテクチャはすべて、ブロッホ球上のゼロバリー中心確率測度に正確に還元する。 すべてのフルランク量子ビットと全てのトレースバランスのスペクトルフィッシャー損失に対して、結果として生じるミニマックス問題は厳密である。
  論文  参考訳（メタデータ） (2026-08-17T17:26:32Z)
• Estimation of the sub-Gaussian parameter [7.4076878426925035]
  準ガウス確率変数 $X$ は 2_* = s_upin mathbbR L()$ ここで $L() = frac22 log mathbbE eX$ は重み付き累積生成関数である。 ガウス以下の確率変数が多用されているにもかかわらず、$2_*$の推定はほとんど注目されず、まだよく理解されていない。
  論文  参考訳（メタデータ） (2026-06-04T16:48:31Z)
• Sufficient support size of measurements for quantum estimation [0.0]
  我々は、少なくとも$left(rm dim, MathcalHright)2+d(d+1)/2-1$の結果を持つPOVMを考慮すれば十分であることを示す。
  論文  参考訳（メタデータ） (2026-04-23T06:26:07Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• Further Understanding of a Local Gaussian Process Approximation: Characterising Convergence in the Finite Regime [1.3518297878940662]
  非常に正確かつ大規模に拡張可能なGPnn回帰モデルに対するカーネル関数の一般的な選択は、データセットサイズ$n$の増加に伴って徐々に振る舞いに収束することを示す。 同様の境界はモデルの不特定の下で見出され、MSEと重要な校正計量の総合的な収束率を与えるために組み合わせられる。
  論文  参考訳（メタデータ） (2024-04-09T10:47:01Z)
• On the $O(\frac{\sqrt{d}}{T^{1/4}})$ Convergence Rate of RMSProp and Its Momentum Extension Measured by $\ell_1$ Norm [54.28350823319057]
  本稿では、RMSPropとその運動量拡張を考察し、$frac1Tsum_k=1Tの収束速度を確立する。 我々の収束率は、次元$d$を除くすべての係数に関して下界と一致する。 収束率は$frac1Tsum_k=1Tと類似していると考えられる。
  論文  参考訳（メタデータ） (2024-02-01T07:21:32Z)
• Near Sample-Optimal Reduction-based Policy Learning for Average Reward MDP [58.13930707612128]
  この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。 我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
  論文  参考訳（メタデータ） (2022-12-01T15:57:58Z)
• Phase estimation with limited coherence [0.0]
  純粋な状態に対して、最小推定分散が達成可能な$V(C)$と最適状態を与える。 分散はハイゼンベルク的なスケーリングである$V(C) sim a_n/C2$を示し、$a_n$ は $pi2/3$ に減少し、$n$ が増加し、次元に依存しない関係となる。
  論文  参考訳（メタデータ） (2022-07-12T16:36:59Z)
• Random quantum circuits transform local noise into global white noise [118.18170052022323]
  低忠実度状態におけるノイズランダム量子回路の測定結果の分布について検討する。 十分に弱くユニタリな局所雑音に対して、一般的なノイズ回路インスタンスの出力分布$p_textnoisy$間の相関(線形クロスエントロピーベンチマークで測定)は指数関数的に減少する。 ノイズが不整合であれば、出力分布は、正確に同じ速度で均一分布の$p_textunif$に近づく。
  論文  参考訳（メタデータ） (2021-11-29T19:26:28Z)
• Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
  カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。 我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
  論文  参考訳（メタデータ） (2021-09-24T14:48:20Z)

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。