Asymptotic inference in a stationary quantum time series
平稳量子时间序列中的渐近推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究量子状态与统计实验的渐近等价，虽涉及时间序列，却未提供宏观经济或金融应用依据，暂不归入所列经济领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
平稳量子时间序列中的渐近推断
- 研究问题
- 论文研究具有平移不变性与规范不变性的量子高斯状态，能否通过渐近等价转化为更易分析的经典谱密度统计模型。
- 方法与思路
- 作者定义量子谱密度，在量子 Le Cam 距离下建立与独立几何变量非线性回归的渐近等价，再给出高斯白噪声近似。
- 材料陈述的贡献
- 摘要称，论文建立量子时间序列与经典回归及白噪声模型的渐近联系，为经典谱密度估计的等价理论提供量子对应。
- 阅读关注点
- 应核对谱密度参数空间、平滑性与边界要求、量子统计实验的定义，以及两层渐近近似的误差控制和适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要将量子周期图和最优估计列为后续版本计划，不能视为本版本已有成果。
原文摘要
We consider a statistical model of a n-mode quantum Gaussian state which is shift invariant and also gauge invariant. Such models can be considered analogs of classical Gaussian stationary time series, parametrized by their spectral density. Defining an appropriate quantum spectral density as the parameter, we establish that the quantum Gaussian time series model is asymptotically equivalent to a classical nonlinear regression model given as a collection of independent geometric random variables. The asymptotic equivalence is established in the sense of the quantum Le Cam distance between statistical models (experiments). The geometric regression model has a further classical approximation as a certain Gaussian white noise model with a transformed quantum spectral density as signal. In this sense, the result is a quantum analog of the asymptotic equivalence of classical spectral density estimation and Gaussian white noise, which is known for Gaussian stationary time series. In a forthcoming version of this preprint, we will also identify a quantum analog of the periodogram and provide optimal parametric and nonparametric estimates of the quantum spectral density.