論文の概要: Optimal Hamiltonian Parameter Estimation in the Presence of Nuisance Parameters

• arxiv url: http://arxiv.org/abs/2609.12857v1
• Date: Fri, 11 Sep 2026 13:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.766392
• Title: Optimal Hamiltonian Parameter Estimation in the Presence of Nuisance Parameters
• Title（参考訳）: ニュアンスパラメータの存在下での最適ハミルトンパラメータ推定
• Abstract要約: 我々は、ニュアンスパラメータの存在下での最適なハミルトンパラメータ推定のためのフレームワークを開発する。 我々は、この基本的限界を飽和させるプローブ状態、制御、測定を含む明示的なプロトコルを提供する。
• 参考スコア（独自算出の注目度）: 1.471339130661191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many sensing applications, the quantity of interest is not the only unknown, there are also additional unknown parameters, known as nuisance parameters, that affect the precision of estimation. While the ultimate local precision limit for a target parameter is well understood in the absence of nuisance parameters, the problem becomes significantly more challenging when they are present. In this work, we develop a framework for optimal Hamiltonian parameter estimation in the presence of nuisance parameters. We introduce an effective generator that captures the influence of nuisance parameters on the target precision, providing an explicit characterization of the ultimate precision limit for estimating the target parameter. Finally, we provide explicit optimal protocols, including probe state, control, and measurement that saturate this fundamental limit.
• Abstract（参考訳）: 多くのセンシング応用において、興味の量だけが未知であるだけでなく、推定の精度に影響を与える未知のパラメータ(ニュアンスパラメータ)も追加されている。 目的パラメータの究極的局所精度限界は、ニュアンスパラメータの欠如によってよく理解されているが、それらが存在すると問題はさらに難しくなる。 本研究では,ニュアンスパラメータの存在下での最適ハミルトンパラメータ推定のためのフレームワークを開発する。 そこで本研究では, 目標パラメータに対するニュアンスパラメータの影響を効果的に把握し, 目標パラメータを推定するための最終的な精度限界を明示的に評価するジェネレータを提案する。 最後に、この基本的限界を飽和させるプローブ状態、制御、測定を含む明確な最適プロトコルを提供する。

関連論文リスト

• Impact of the Unruh effect on the estimation precision of Gaussian channel parameters [4.126656549298205]
  ガウスチャネルパラメータの推定精度に及ぼすウンルー効果の影響を解析する。 本研究は,相対論的文脈下での量子パラメータ推定を推し進めるための重要な理論的洞察と実践的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-06-08T01:10:08Z)
• Debiased Ill-Posed Regression [8.495265117285223]
  本稿では,予測誤差の修正による影響関数に基づく偏り推定手法を提案する。 提案した推定器は、関連するニュアンス関数に対して二階偏差を有する。
  論文  参考訳（メタデータ） (2025-05-27T06:47:33Z)
• Uncertain Quantum Critical Metrology: From Single to Multi Parameter Sensing [0.0]
  臨界量子量論は、ハミルトニアン摂動への量子相転移の臨界点付近の系の固有状態の極度感度に依存する。 これは、これらの固有状態がハミルトニアンの全てのパラメータに非常に敏感であることを意味する。 現実的な設定では、システムの臨界度を調整するために使用される制御パラメータには、常にある程度の不確実性がある。
  論文  参考訳（メタデータ） (2024-07-29T11:50:21Z)
• Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
  本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。 私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。 最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
  論文  参考訳（メタデータ） (2024-07-08T12:32:51Z)
• Finding the optimal probe state for multiparameter quantum metrology using conic programming [61.98670278625053]
  本稿では,対応する精度境界に対する最適プローブ状態を決定するための円錐型プログラミングフレームワークを提案する。 また、この理論を量子プローブ状態を用いた標準場センシング問題の解析にも応用する。
  論文  参考訳（メタデータ） (2024-01-11T12:47:29Z)
• Should We Learn Most Likely Functions or Parameters? [51.133793272222874]
  モデルとデータによって示唆される最も可能性の高い関数を直接推定する利点と欠点について検討する。 関数空間MAP推定は, より平坦な最小化, 一般化, オーバーフィッティングの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2023-11-27T16:39:55Z)
• Kernel Debiased Plug-in Estimation: Simultaneous, Automated Debiasing without Influence Functions for Many Target Parameters [1.5999407512883512]
  本稿では,Emph kernel plug-in Estimation (KDPE) という新しい手法を提案する。 KDPEは、我々の規則性条件を満たす経路的に異なるターゲットパラメータを同時に除くことを示す。 我々は、KDPEの使用法を数値的に説明し、理論結果を検証した。
  論文  参考訳（メタデータ） (2023-06-14T15:58:50Z)
• Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
  線形化されたラプラス近似に下界を導入する。 これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
  論文  参考訳（メタデータ） (2023-06-06T19:02:57Z)
• Gaussian Process Uniform Error Bounds with Unknown Hyperparameters for Safety-Critical Applications [71.23286211775084]
  未知のハイパーパラメータを持つ設定において、ロバストなガウス過程の均一なエラー境界を導入する。 提案手法はハイパーパラメータの空間における信頼領域を計算し,モデル誤差に対する確率的上限を求める。 実験により、バニラ法やベイズ法よりもバニラ法の方がはるかに優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-06T17:10:01Z)
• Orthogonal Statistical Learning [49.55515683387805]
  人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。 人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
  論文  参考訳（メタデータ） (2019-01-25T02:21:24Z)

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。