論文の概要: Exact Posterior Prediction from Product Haar Measurements and a Randomized-Mesh Maximum-Likelihood Bridge

• arxiv url: http://arxiv.org/abs/2610.00117v1
• Date: Wed, 09 Sep 2026 12:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.37497
• Title: Exact Posterior Prediction from Product Haar Measurements and a Randomized-Mesh Maximum-Likelihood Bridge
• Title（参考訳）: 実測値と無作為メシュ最大形橋梁からの正確な後部予測
• Abstract要約: 未知の有限次元純量子状態の未測定コピーの予測について検討する。 結果として生じる固定可分な観測では、量子相対エントロピー損失の下でのベイズ予測状態は、フルランクの後方平均である。
• 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 prediction of one unmeasured copy of an unknown finite-dimensional pure quantum state after independently measuring the observed copies with the one-copy Haar POVM. For the resulting fixed separable observation, the Bayes predictive state under quantum relative-entropy loss is the full-rank posterior mean. We evaluate it exactly through permanents of minors of the outcome Gram matrix, prove positivity and normalization of the permanent representation, and establish minimaxity among decision rules based on these fixed outcomes. Using Hilbert--Schmidt projection of the posterior mean and an exactly analyzed linear-inversion competitor, we prove a finite-sample posterior-purity bound and an explicit relative-entropy guarantee with sample count $O((d^2/ε)\log(d/ε))$. Using the exact collective benchmarks proved in a companion paper, we also obtain entropy and posterior-purity comparisons. To connect the fine product data to a regular ray-valued experiment without assuming deterministic finite-sample uniqueness, we draw one random orientation for a finite projective mesh, retain it for the entire sample, and apply a selected finite-alphabet MLE in the resulting reference experiment. A nested recovering mesh uniformly recovers the fine Fisher information. Consequently every sufficiently fine fixed mesh gives a regular finite-alphabet model. Its selected MLE has Haar-averaged inverse-Fisher coefficient $\overline a_k$, and refining the mesh after the fixed-mesh large-sample limit makes $\overline a_k$ approach $d-1$. This yields epsilon-optimal leading relative-entropy and posterior-overlap bounds for the fine posterior and the sharper fixed-dimensional asymptotic scale $(d/ε)\log(d/ε)$. The latter is not asserted as a uniform finite-sample guarantee. No deterministic finite-sample MLE uniqueness or triangular mesh schedule is used.
• Abstract（参考訳）: 本研究では,未知の有限次元純量子状態の1つの未測定コピーを,観察されたコピーを1つのコピーHaar POVMで独立に測定した後に予測する。 結果として生じる固定可分な観測では、量子相対エントロピー損失の下でのベイズ予測状態は、フルランクの後方平均である。 結果のグラム行列の未成年者のパーシステンスを通じて正確に評価し、パーシステンシャル表現の肯定性と正規化を証明し、これらの固定結果に基づいて決定規則の最小性を確立する。 後方平均のヒルベルト・シュミット射影と、正確に解析された線形反転競合を用いて、サンプル数$O((d^2/ε)\log(d/ε))$で有限サンプルの後方純度境界と明示的な相対エントロピー保証を証明した。 コンパニオンペーパーで証明された正確な集合ベンチマークを用いて,エントロピーと後方純度の比較も行う。 決定論的有限サンプルの特異性を仮定することなく、製品データを通常の光線値実験に接続するために、有限射影メッシュに対して1つのランダムな向きを描き、サンプル全体に対して保持し、選択された有限アルファトMLEを基準実験に適用する。 ネスト回復メッシュは、微細なフィッシャー情報を均一に復元する。 したがって、すべての十分な微細な固定メッシュは、正則有限アルファベットモデルを与える。 選択されたMLEは、平均的な逆フィッシャー係数$\overline a_k$を持ち、固定値の大サンプル制限の後にメッシュを精算すると$\overline a_k$ approach $d-1$となる。 これにより、微細な後部とよりシャープな固定次元漸近スケール$(d/ε)\log(d/ε)$に対して、エプシロン-最適相対エントロピーおよび後部オーバーラップ境界が得られる。 後者は、一様有限サンプル保証として主張されない。 決定論的有限サンプルMLEの特異性や三角形メッシュスケジュールは使用されない。

関連論文リスト

• Finite-Probe Total-Variation Certificates for Finite-Basis Drifting Models [1.2072720711193232]
  既知有限密度基底における可積分反対称相互作用と絶対連続法則の凍結測定系について述べる。 ガウス-RBF相互作用では、グローバルエンベロープは無分布および経験的ベルンシュタインラジイをサポートする。 我々は,集団グラム行列によるランダム・プローブの観測性を特徴付け,ランクと対称性のデジェネラを同定し,平均整合に向けて大きな帯域幅の崩壊を証明した。
  論文  参考訳（メタデータ） (2026-08-03T00:00:40Z)
• How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
  r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。 まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
  論文  参考訳（メタデータ） (2026-05-23T22:00:38Z)
• Optimal Dimension-Free Sampling for Regularized Classification [56.72526267755301]
  我々は、リプシッツ連続分類損失関数の幅広いクラスに対して、$(1pmvarepsilon)$-relativeエラーを達成する最適サンプリング境界を証明した。 これにはロジスティックやシグモイドの損失、ヒンジの損失、ReLUの損失といった重要な機能が含まれており、顕著で一般的な例である。
  論文  参考訳（メタデータ） (2026-05-22T15:05:33Z)
• Efficient Approximate Posterior Sampling with Annealed Langevin Monte Carlo [36.938523047101555]
  スコアベース生成モデルの文脈における後部サンプリングの問題について検討する。 我々は,KLの発散前とFisherの発散後とにおいて,ノイズの後部に近い分布から抽出できることを示す。
  論文  参考訳（メタデータ） (2025-08-11T05:25:24Z)
• Precise Asymptotics of Bagging Regularized M-estimators [20.077783679095443]
  我々は,アンサンブル推定器の正方形予測リスクを,正規化M値推定器のサブタグ化(サブサンプルブートストラップ集約)により特徴付ける。 我々の分析の鍵は、重なり合うサブサンプル上の推定値と残差との相関関係の結合挙動に関する新しい結果である。 サブサンプルサイズ,アンサンブルサイズ,正規化の併用最適化は,全データに対してのみ,正規化器の最適化を著しく上回る。
  論文  参考訳（メタデータ） (2024-09-23T17:48:28Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
  我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。 この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-22T16:43:35Z)

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。