[论文解读] A Bayesian Probability Calculus for Density Matrices

Manfred K. Warmuth, Dima Kuzmin|arXiv (Cornell University)|Aug 9, 2014

Mathematical Inequalities and Applications参考文献 7被引用 9

一句话总结

本文提出了一种针对密度矩阵的贝叶斯概率演算——密度矩阵是扩展经典概率分布的广义量子态。通过将单位向量视为基本事件，并利用矩阵运算定义联合、条件和边缘分布，该框架将贝叶斯法则和全概率定律推广至量子领域，保持经典概率作为对角情形的特例，并提供类似于经典最大后验估计（MAP）的负对数似然界。

ABSTRACT

One of the main concepts in quantum physics is a density matrix, which is a symmetric positive definite matrix of trace one. Finite probability distributions are a special case where the density matrix is restricted to be diagonal. Density matrices are mixtures of dyads, where a dyad has the form uu' for any any unit column vector u. These unit vectors are the elementary events of the generalized probability space. Perhaps the simplest case to see that something unusual is going on is the case of uniform density matrix, i.e. 1/n times identity. This matrix assigns probability 1/n to every unit vector, but of course there are infinitely many of them. The new normalization rule thus says that sum of probabilities over any orthonormal basis of directions is one. We develop a probability calculus based on these more general distributions that includes definitions of joints, conditionals and formulas that relate these, i.e. analogs of the theorem of total probability, various Bayes rules for the calculation of posterior density matrices, etc. The resulting calculus parallels the familiar 'classical' probability calculus and always retains the latter as a special case when all matrices are diagonal. Whereas the classical Bayesian methods maintain uncertainty about which model is 'best', the generalization maintains uncertainty about which unit direction has the largest variance. Surprisingly the bounds also generalize: as in the classical setting we bound the negative log likelihood of the data by the negative log likelihood of the MAP estimator.

研究动机与目标

• 将贝叶斯概率理论从经典离散与连续分布扩展至量子领域，使用密度矩阵作为广义概率分布。
• 在由密度矩阵表示的量子态上定义有意义的联合、条件和边缘分布概念。
• 在量子力学框架内推导经典贝叶斯规则（如贝叶斯定理和全概率定律）的类比形式。
• 通过确保对角密度矩阵退化为标准贝叶斯推断，保持与经典概率的一致性。
• 建立预测性能的理论界，将经典负对数似然界推广至量子设置。

提出的方法

• 将概率分布表示为密度矩阵：对称、正定且迹为1的矩阵。
• 将基本事件定义为单位向量，某方向的概率由其在该向量上投影的迹给出。
• 通过张量积引入联合密度矩阵，并通过类比经典条件化的矩阵运算定义条件密度矩阵。
• 利用矩阵求逆和保持正定性与迹为1约束的更新规则，推导广义贝叶斯法则。
• 通过正交基上的迹基边缘化应用全概率定律。
• 利用最大后验概率（MAP）密度矩阵，建立数据负对数似然的上界，将经典结果推广至量子情形。

实验结果

研究问题

• RQ1 如何一致地将贝叶斯推断扩展至由密度矩阵表示的量子态？
• RQ2 在密度矩阵背景下，经典联合、条件和边缘分布的量子类比是什么？
• RQ3 能否构建一个广义贝叶斯法则，使其与量子力学原理及经典推断保持一致？
• RQ4 经典贝叶斯统计中预测对数似然的常规界如何推广至量子设置？
• RQ5 在n维空间中，均匀密度矩阵（1/n I）如何体现对无限多单位向量集合的非经典均匀性？

主要发现

• 该框架通过允许对单位向量而非仅离散或连续模型的不确定性，推广了经典贝叶斯概率。
• 通过正交基上的迹基边缘化，将全概率定律推广，确保任意此类基上概率之和等于1。
• 推导出一种广义贝叶斯法则，通过矩阵运算更新密度矩阵，保持正定性与迹为1的约束。
• 观测数据的负对数似然被其MAP估计器的负对数似然所上界，与经典结果一致。
• 当所有密度矩阵均为对角矩阵时，该演算精确退化为经典贝叶斯概率，确认与经典情形的一致性。
• 均匀密度矩阵 1/n I 对每个单位向量赋予相等的概率 1/n，反映了对无限多方向的均匀先验，这是该框架的非经典特征。