論文の概要: Hiai--Petz Skew Informations and Sharp Uncertainty Relations for a Single Observable
- arxiv url: http://arxiv.org/abs/2609.13870v1
- Date: Sat, 12 Sep 2026 10:45:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.593818
- Title: Hiai--Petz Skew Informations and Sharp Uncertainty Relations for a Single Observable
- Title（参考訳）: 単一観測可能なハイアイペッツスキュー情報とシャープ不確かさの関係
- Abstract要約: 本研究では,スキュー情報の観点から,観測可能な1つの観測値に関連する固有量子不確実性について検討する。
通常の加法を緩和することにより、Hiai--Petz非加法スキュー情報のクラスを導入する。
我々の主な定量的結果は、全ハイアイ-ペッツ類に対する鋭い単一観測可能な不確実性関係である。
- 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: We study intrinsic quantum uncertainty associated with a single observable from the viewpoint of skew information. By relaxing ordinary additivity while retaining the other fundamental uncertainty requirements, we introduce a class of Hiai--Petz nonadditive skew informations that contains Hansen's metric-adjusted skew informations as the boundary case $θ=1$. Our main quantitative result is a sharp single-observable uncertainty relation for the full Hiai--Petz class. For a fixed state, the optimal coefficient depends only on its largest and smallest eigenvalues and remains sharp even after the maximal classical contribution to the variance is retained. The general theorem yields, as special cases, sharp bounds for metric-adjusted skew informations, the SLD quantum Fisher information, and the power-commutator family. We further show that $K_s(ρ,A)=\frac12\|[ρ^s,A]\|_{\mathrm{HS}}^2$, $1/2\le s<1$, is realized within the Hiai--Petz framework through Stolarsky operator means, thereby establishing its convexity for $1/2<s<1$. More generally, for each fixed operator monotone function $f$, the Hiai--Petz spectral kernel interpolates geometrically between the metric-adjusted skew information $I^f$ and the common endpoint $K_1$. The resulting family obeys an exact power-trace-weighted composition law, replacing ordinary additivity in the interior $0<θ<1$.
- Abstract（参考訳）: 本研究では,スキュー情報の観点から,観測可能な1つの観測値に関連する固有量子不確実性について検討する。
他の基本的な不確実性要件を保ちながら通常の加法性を緩和することにより、ハンセンの計量調整スキュー情報を含む非加法スキュー情報のクラスを境界ケース$θ=1$として導入する。
我々の主な定量的結果は、全ハイアイ-ペッツ類に対する鋭い単一観測可能な不確実性関係である。
固定状態の場合、最適係数はその最大かつ最小の固有値にのみ依存し、分散に対する最大古典的寄与が保たれた後も鋭いままである。
一般定理は、特別の場合として、計量調整スキュー情報、SLD量子フィッシャー情報、および電力変換系に対する鋭い境界をもたらす。
K_s(ρ,A)=\frac12\|[ρ^s,A]\|_{\mathrm{HS}}^2$, $1/2\le s<1$, is realize in the Hiai-Petz framework means, so established its convexity for $1/2<s<1$. 一般に、固定作用素の単調関数 $f$, Hiai-Petz スペクトルカーネルは、メートル調整スキュー情報 $I^f$ と共通エンドポイント $K_1$ の間で幾何学的に補間する。
結果として得られる族は、内部の0<θ<1$の通常の加法則を置き換えて、正確なパワートラス重み付き合成法に従う。
関連論文リスト
- Global Minimax Readout of a Qubit Direction [5.246986428523558]
我々は、パラメータ非依存の読み出しを用いて、既知のBloch-vector長で未知のキュービット方向を推定する、最悪のフィッシャー情報コストを正確に決定する。
記録された古典的ランダム化を含む固定局所アーキテクチャはすべて、ブロッホ球上のゼロバリー中心確率測度に正確に還元する。
すべてのフルランク量子ビットと全てのトレースバランスのスペクトルフィッシャー損失に対して、結果として生じるミニマックス問題は厳密である。
論文 参考訳（メタデータ） (2026-08-17T17:26:32Z) - Readout-Rank Laws for Isotropic Quantum Tangents [0.0]
深いパラメータ化量子回路はパラメータの変化に敏感であり続けるが、学習モデルによって保持される可観測回路はほとんど応答しない。
すべての計算基底パウリ弦の任意の固定重み$k$が全記録情報の$O(nk2-n)$のみを保持することを示す。
論文 参考訳（メタデータ） (2026-08-07T11:09:51Z) - Quantum Speedups for Stochastic Optimization with Heavy-Tailed Noise [49.730496294398726]
重み付き確率変数に対する新しい量子平均推定器を開発した。
尾指数>4/3$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) - Regularized Online RLHF with Generalized Bilinear Preferences [68.44113000390544]
一般的な嗜好を伴う文脈的オンラインRLHFの問題を考える。
一般化された双線形選好モデルを用いて、低ランクなスキュー対称行列による選好を捉える。
グリーディポリシーの双対ギャップは推定誤差の正方形によって有界であることを示す。
論文 参考訳（メタデータ） (2026-02-26T15:27:53Z) - 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) - Statistical Inference and Learning for Shapley Additive Explanations (SHAP) [20.663970002208846]
SHAP(Shapley additive explanation)フレームワークは、予測タスクにおける変数の重要性に寄与する重要なツールとなっている。
その普遍性にもかかわらず、これらの量に関する統計的推測を行うためのアプローチは存在しない。
SHAP曲線をデータから推定しなければならないニュアンス関数として扱うことにより、SHAPの$p$thの乗算を確実に構成的に正規化できることを示す。
論文 参考訳（メタデータ） (2026-02-11T05:01:47Z) - Singular Bayesian Neural Networks [1.2891210250935148]
ベイズニューラルネットワークはキャリブレーションされた不確かさを約束するが、標準平均体ガウス後方に対する$O(mn)$パラメータを必要とする。
我々は、ルベーグ測度に関して特異な後部を誘導し、ランク-$r$多様体に集中する。
複素項が $sqrtr(m+n)$ ではなく $sqrtm n$ としてスケールするPAC-Bayes 一般化境界を導出し、誤差を最適化とランク誘導バイアスに分解する損失境界を証明する。
論文 参考訳（メタデータ） (2026-01-30T23:06:34Z) - Complexity Analysis of Normalizing Constant Estimation: from Jarzynski Equality to Annealed Importance Sampling and beyond [40.79840141270367]
非正規化確率密度 $piproptomathrme-V$ が与えられたとき、正規化定数 $Z=int_mathbbRdmathrme-V(x)mathrmdx$ または自由エネルギー $F=-log Z$ はベイズ統計学、統計力学、機械学習において重要な問題である。
本稿では,逆拡散サンプリングに基づく新しいアルゴリズムを提案し,その複雑さを解析するためのフレームワークを構築し,マルチモーダリティに対処する際の効率を実証的に実証する。
論文 参考訳（メタデータ） (2025-02-07T00:05:28Z) - Convergence Rate Analysis of LION [54.28350823319057]
LION は、勾配カルシュ=クーン=T (sqrtdK-)$で測定された $cal(sqrtdK-)$ の反復を収束する。
従来のSGDと比較して,LIONは損失が小さく,性能も高いことを示す。
論文 参考訳（メタデータ） (2024-11-12T11:30:53Z) - Maximal $α$-Leakage for Quantum Privacy Mechanisms [8.259231344795781]
まず,相手の最大値である$alpha$-geinが,条件付きR'enyiエントロピーによって特徴づけられることを示す。
量子プライバシー機構に対する$alpha$-leakageと$alpha$-leakageは、測定された有本情報と測定されたR'enyiキャパシティによって決定されることを示す。
論文 参考訳（メタデータ） (2024-03-21T14:58:07Z) - High Probability Bounds for a Class of Nonconvex Algorithms with AdaGrad
Stepsize [55.0090961425708]
本研究では,AdaGradのスムーズな非確率問題に対する簡易な高確率解析法を提案する。
我々はモジュラーな方法で解析を行い、決定論的設定において相補的な$mathcal O (1 / TT)$収束率を得る。
我々の知る限りでは、これは真に適応的なスキームを持つAdaGradにとって初めての高い確率である。
論文 参考訳（メタデータ） (2022-04-06T13:50:33Z) - 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。