論文の概要: Measurement incompatibility in Bayesian quantum estimation beyond quadratic loss

• arxiv url: http://arxiv.org/abs/2610.28070v1
• Date: Tue, 20 Oct 2026 11:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.7949
• Title: Measurement incompatibility in Bayesian quantum estimation beyond quadratic loss
• Title（参考訳）: 2次損失を超えるベイズ量子推定における非可逆性の測定
• Abstract要約: 測定の不整合性は,各パラメータを個別に最適化することによって得られる境界値に対して,少なくとも2の係数で最小2次損失を増大させることができることを示す。 絶対損失などの非有界損失にフレームワークを拡張し、二次損失の場合も回復する。
• 参考スコア（独自算出の注目度）: 0.5143395480476926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In single-shot Bayesian multiparameter quantum estimation, measurement incompatibility can increase the minimum joint quadratic loss by at most a factor of two relative to the bound obtained by optimising each parameter separately. Using the generalised Barnum--Knill inequality, we establish the same bound for a wider class of additive losses generated by positive score functions, showing that this limitation extends beyond the standard quadratic setting. To illustrate this result, we consider a broad family of periodic losses, including the sine loss sometimes employed in interferometry, and derive the corresponding incompatibility bound for Bayesian multiphase estimation with arbitrary prior knowledge. We further extend the framework to unbounded losses, such as absolute losses; this also recovers the case of quadratic losses.
• Abstract（参考訳）: 単ショットベイズ型多パラメータ量子推定では、測定の不整合性は、各パラメータを個別に最適化することによって得られる境界に対する少なくとも2倍の係数で、最小の2次損失を増大させることができる。 一般化されたBarnum--Knillの不等式を用いて、正のスコア関数によって生成されるより広範な加法的損失のクラスに対して同じ境界を確立する。 この結果を説明するために,周期的損失の広い家系を考察し,干渉法で時々発生する正弦損失を考慮し,任意の事前知識を持つベイズ多相推定に対する対応する不整合性を導出する。 絶対損失などの非有界損失に対する枠組みをさらに拡張し、二次損失の場合も回復する。

関連論文リスト

• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Existence of unbiased resilient estimators in discrete quantum systems [0.0]
  Bhattacharyyaのバウンダリは、事前の正確性に関して、より堅牢な推定フレームワークを提供する。 制約数が測定結果を超えると、有限分散の推定器は存在しないことが示される。
  論文  参考訳（メタデータ） (2024-02-23T10:12:35Z)
• Intrinsic Bayesian Cramér-Rao Bound with an Application to Covariance Matrix Estimation [49.67011673289242]
  本稿では, 推定パラメータが滑らかな多様体内にある推定問題に対して, 新たな性能境界を提案する。 これはパラメータ多様体の幾何学と推定誤差測度の本質的な概念を誘導する。
  論文  参考訳（メタデータ） (2023-11-08T15:17:13Z)
• More PAC-Bayes bounds: From bounded losses, to losses with general tail behaviors, to anytime validity [27.87324770020133]
  我々は、異なる種類の損失に対して、新しい高確率PAC-Bayes境界を提案する。 有界範囲の損失に対して、すべてのパラメータ値に対して一様に保持されるカトーニ境界の強化版を復元する。 より一般的な尾の挙動を持つ損失に対して、2つの新しいパラメータフリー境界を導入する。
  論文  参考訳（メタデータ） (2023-06-21T12:13:46Z)
• General Loss Functions Lead to (Approximate) Interpolation in High Dimensions [5.653716495767272]
  我々は、バイナリとマルチクラスの設定にまたがる凸損失の一般的なファミリーに適用可能な統一されたフレームワークを提供する。 具体的には、暗黙バイアスが高次元の最小ノルムに近似されている(正確には同値ではない)ことを示す。
  論文  参考訳（メタデータ） (2023-03-13T21:23:12Z)
• A Non-Asymptotic Moreau Envelope Theory for High-Dimensional Generalized Linear Models [33.36787620121057]
  ガウス空間の任意のクラスの線型予測器を示す新しい一般化境界を証明した。 私たちは、Zhou et al. (2021) の「最適化率」を直接回復するために、有限サンプルバウンドを使用します。 ローカライズされたガウス幅を用いた有界一般化の適用は、一般に経験的リスク最小化に対してシャープであることを示す。
  論文  参考訳（メタデータ） (2022-10-21T16:16:55Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• On the Importance of Gradient Norm in PAC-Bayesian Bounds [92.82627080794491]
  対数ソボレフ不等式の縮約性を利用する新しい一般化法を提案する。 我々は、この新たな損失段階的ノルム項が異なるニューラルネットワークに与える影響を実証的に分析する。
  論文  参考訳（メタデータ） (2022-10-12T12:49:20Z)
• Experimental violations of Leggett-Garg's inequalities on a quantum computer [77.34726150561087]
  単一および多ビット系におけるLeggett-Garg-Bellの不等式違反を実験的に観察する。 本分析では, 量子プラットフォームの限界に注目し, 上記の相関関数は, 量子ビットの数や回路深さが大きくなるにつれて, 理論的予測から逸脱することを示した。
  論文  参考訳（メタデータ） (2021-09-06T14:35:15Z)
• Relative Deviation Margin Bounds [55.22251993239944]
  我々はRademacher複雑性の観点から、分布依存と一般家庭に有効な2種類の学習境界を与える。 有限モーメントの仮定の下で、非有界な損失関数に対する分布依存的一般化境界を導出する。
  論文  参考訳（メタデータ） (2020-06-26T12:37:17Z)

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。