論文の概要: An attainable Gill-Massar-type bound for spin-factor models

• arxiv url: http://arxiv.org/abs/2609.23020v1
• Date: Sat, 19 Sep 2026 13:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.650055
• Title: An attainable Gill-Massar-type bound for spin-factor models
• Title（参考訳）: スピン要素モデルに対する達成可能なギル・マッサー型バウンド
• Abstract要約: すべての有限出力正値測定値に対して到達可能な古典的フィッシャー情報領域を特徴付ける。 その結果、キュービット情報トレードオフを3つ以上のパラメータを持つモデルに拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We determine the exact local precision limits for single-copy estimation of smooth multiparameter quantum statistical models contained in spin factors, a class of matrix Jordan algebras whose state spaces generalize the qubit Bloch ball. At any parameter point where the symmetric logarithmic derivative (SLD) Fisher information is positive definite, we characterize the entire attainable classical Fisher-information region over all finite-outcome positive-operator-valued measurements. After SLD normalization, this region consists exactly of the real symmetric positive semidefinite matrices with trace at most one, independently of the ambient Hilbert-space dimension. This yields a sharp weighted covariance bound for every positive definite weight, attained by an explicit locally unbiased estimator based on randomized spectral measurements of SLD directions. The proof combines a statistics-preserving positive projection onto the spin factor with the two-eigenvalue structure of its effects, revealing the Jordan-algebraic origin of the tradeoff. The result extends the qubit information tradeoff to models with more than three parameters. Since the optimal measurement depends on the unknown parameter, we simulate an adaptive scheme for a five-parameter model on a four-dimensional Hilbert space and observe performance close to the optimal local benchmark.
• Abstract（参考訳）: 状態空間がキュービットブロッホ球を一般化する行列ジョルダン代数のクラスであるスピン因子に含まれる滑らかな多パラメータ量子統計モデルの単コピー推定の正確な局所的精度限界を決定する。 対称対数微分(SLD)フィッシャー情報が正定値である任意のパラメータポイントにおいて、すべての有限出力正値測定値に対して到達可能な古典的フィッシャー情報領域を特徴付ける。 SLD正規化の後、この領域は、周囲ヒルベルト空間次元とは独立に、ほとんど1つのトレースを持つ実対称正の半定値行列のちょうど1つである。 これにより、SLD方向のランダムなスペクトル測定に基づいて、明示的な局所的非偏差推定器によって達成される全ての正定重の鋭い重み付き共分散が得られる。 この証明は、スピン因子に対する統計的に保存される正の射影と、その効果の2つの固有値構造を組み合わせることで、トレードオフのヨルダン-代数的起源を明らかにしている。 その結果、キュービット情報トレードオフを3つ以上のパラメータを持つモデルに拡張する。 最適測定は未知パラメータに依存するため、4次元ヒルベルト空間上の5パラメータモデルの適応スキームをシミュレートし、最適局所ベンチマークに近い性能を観測する。

関連論文リスト

• Posterior contraction rates in Sobolev norms and Bayesian derivative estimation for infinite-dimensional exponential families [6.531568167097593]
  指数族に対する正次ソボレフノルムの後方収縮とベイズ微分推定について検討する。 任意のヒルベルトスケールのノルムにおいて、滑らか性マッチング先行は、基底真理の正則性まで、極小最大後方収縮率を達成することを示す。
  論文  参考訳（メタデータ） (2026-08-11T16:45:55Z)
• On Higher-Order Geometric Refinements of Classical Covariance Asymptotics: An Approach via Intrinsic and Extrinsic Information Geometry [0.0]
  混合、曲線指数族、潜在変数モデル、多様体-ルートパラメータ空間を含む曲線モデルでは、有限サンプルの振る舞いは予測から体系的に逸脱することができる。 我々は、正規パラメトリック族をフィッシャー制約ラオ計量の((,g))として見ることにより、座標不変な曲率対応の洗練を開発する。 本稿では,学習速度と後進平均二乗誤差における実対数正準しきい値の役割,および正規理論を特殊ケースとして回復する解空間上の曲率に基づく共分散展開について述べる。
  論文  参考訳（メタデータ） (2026-04-14T13:40:13Z)
• Inversion-Free Natural Gradient Descent on Riemannian Manifolds [5.556612138252781]
  本稿では,凸パラメータを持つ確率分布に対する逆フリーな自然勾配法を提案する。 多様体の設定にはいくつかの利点がある: パラメータ制約を暗黙的に強制することができる。 サブクアドラティックストレージの複雑さを伴うアルゴリズムの限定メモリ変種が提案されている。
  論文  参考訳（メタデータ） (2026-04-03T11:08:59Z)
• Evidence Slopes and Effective Dimension in Singular Linear Models [0.0]
  ラプラス近似を実標準しきい値(RLCT)に置き換える特異学習理論 ラプラス/BIC時間対数 n の誤差が (d/2 %) 時間対数 n と線形に大きくなることを理論的かつ実証的に示す。 以上の結果から, 特異モデルにおけるラプラス故障の具体的な有限サンプル解析を行い, 簡単な線形設定において, 有効次元の実用的な推定指標としてエビデンス・スロープが有効であることを示す。
  論文  参考訳（メタデータ） (2026-01-03T17:05:55Z)
• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Robust Tangent Space Estimation via Laplacian Eigenvector Gradient Orthogonalization [48.25304391127552]
  データ多様体の接空間を推定することは、データ解析の基本的な問題である。 局所接空間推定を導くために,データのグローバル構造を利用したラプラシアン固有ベクトル勾配直交化法(LEGO)を提案する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:45Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Gaussian process regression and conditional Karhunen-Lo\'{e}ve models for data assimilation in inverse problems [68.8204255655161]
  偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。 CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
  論文  参考訳（メタデータ） (2023-01-26T18:14:12Z)
• Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
  本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。 任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
  論文  参考訳（メタデータ） (2023-01-16T02:57:37Z)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)

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。