論文の概要: New directions in dynamical expectation estimation

• arxiv url: http://arxiv.org/abs/2609.18246v2
• Date: Thu, 17 Sep 2026 01:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.691881
• Title: New directions in dynamical expectation estimation
• Title（参考訳）: 動的予測推定における新しい方向
• Abstract要約: この研究は、それぞれの近似が状態と観測可能の両方によって導かれる別のアプローチを探求し、ターゲット予測値をどのように共同で決定するかを考察する。 30量子ランダム回路の数値実験では、等結合次元の変動状態圧縮よりも2～3桁小さい誤差を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computing dynamical expectation values typically relies on approximations optimized for the state or observable separately, without accounting for how their errors combine in the final expression. This work explores an alternative approach in which each approximation is guided by both the state and the observable, accounting for how they jointly determine the target expectation value. This idea is implemented through a sweep algorithm with coupled loss functions for forward state and backward observable updates. Exact error relations provide an analytical rationale for how the proposed losses can improve the accuracy. Numerical tests on 30-qubit random circuits show errors two to three orders of magnitude smaller than those of variational state compression at equal bond dimensions. These results motivate further exploration of joint state and observable approximation for dynamical expectation value estimation.
• Abstract（参考訳）: 動的期待値の計算は、一般的に状態に最適化された近似や観測可能な別途の近似に頼っている。 この研究は、それぞれの近似が状態と観測可能の両方によって導かれる別のアプローチを探求し、ターゲット予測値をどのように共同で決定するかを考察する。 このアイデアは、前方状態と後方可観測更新のための複合損失関数を備えたスイープアルゴリズムによって実装されている。 厳密な誤差関係は、提案された損失が精度をいかに向上させるかの分析的根拠を提供する。 30量子ランダム回路の数値実験では、等結合次元の変動状態圧縮よりも2～3桁小さい誤差を示す。 これらの結果は結合状態のさらなる探索と動的期待値推定のための観測可能な近似を動機付けている。

関連論文リスト

• Target Networks and Over-parameterization Stabilize Off-policy Bootstrapping with Function Approximation [46.48569176651487]
  オフ・プライシ・データにおいても,ブートストラップ値推定の収束条件が弱くなることを証明する。 計算結果をトラジェクトリによる学習に拡張し、小さな修正を施した全てのタスクに対して収束が達成可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-31T17:36:16Z)
• Enabling Uncertainty Estimation in Iterative Neural Networks [49.56171792062104]
  本研究では,アンサンブルのような手法よりもはるかに低い計算コストで最先端の見積もりを提供する不確実性推定手法を開発する。 航空画像における道路検出と2次元および3次元形状の空力特性の推定という2つの応用領域に組み込むことで,その実用的価値を実証する。
  論文  参考訳（メタデータ） (2024-03-25T13:06:31Z)
• Nearly Optimal Quantum Algorithm for Estimating Multiple Expectation Values [0.17126708168238122]
  Gily'enらによる量子勾配推定アルゴリズムを利用して$mathcalO(sqrtM/varepsilon)$を対数因子にスケールアップする手法について述べる。 ブラックボックスとして処理された場合,このスケーリングが高精度なシステムでは最悪のケースであることが証明された。
  論文  参考訳（メタデータ） (2021-11-17T18:34:17Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
  既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。 本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T12:11:27Z)
• Bayesian inference of chaotic dynamics by merging data assimilation, machine learning and expectation-maximization [0.0]
  我々は、高次元カオス力学を再構築するために、データ同化と機械学習を組み合わせる方法を示す。 我々は,異なる識別可能性を持つ2つの関連する低次カオスモデルに対して,そのアプローチを数値的および成功裏に検証した。
  論文  参考訳（メタデータ） (2020-01-17T12:46:26Z)

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。