{ "id": "fisher-information", "title": "费希尔信息", "lang": "zh-Hans", "source_lang": "en", "summary": "费希尔信息衡量统计模型对其参数的局部敏感度，并决定估计精度的界限。", "category": "mathematics", "subcategory": "probability-statistics", "type": "concept", "aliases": [ "费雪信息", "费希尔信息量", "期望费希尔信息量", "费希尔信息矩阵" ], "generated_at": "2026-10-05", "model": "pro/gpt-6.1-sol", "url": "https://aiwiki.page/zh/fisher-information/", "translations": { "en": { "url": "https://aiwiki.page/en/fisher-information/", "json": "https://aiwiki.page/en/fisher-information.json" } }, "sections": [ { "heading": "", "text": "费希尔信息是一个数学度量，衡量当未知参数改变时，概率分布发生变化的敏感程度。它通过似然函数的对数的导数平方的期望来定义；当涉及多个参数时，则通过这类期望值构成的矩阵来定义。在适当的正则条件下，它也等于对数似然函数负曲率的期望。它描述的是统计模型在给定参数值处的一项性质，而非某一次具体观测中所包含的信息。(stat210a.berkeley.edu)\n\n它在统计学中的核心重要性，源于这种敏感性与估计精度之间的联系。Cramér–Rao 不等式利用费希尔信息的逆来界定无偏估计量的方差，而大样本理论则利用它来描述最大似然估计的不确定性。费希尔信息还支撑不变先验的构造以及统计模型的几何解释。(arxiv.org)\n\n该概念以罗纳德·费希尔命名，并与似然、充分性和有效性共同发展于二十世纪统计学理论中。如今，其应用已扩展到实验设计、机器学习中的优化以及量子参数估计。期望信息、观测信息和经验信息之间的区别——以及各自背后的假设——对这些应用至关重要。(digital.library.adelaide.edu.au)" }, { "heading": "得分函数与信息量的定义", "text": "设 \\(\\{P_\\theta:\\theta\\in\\Theta\\}\\) 为一个受控参数模型，标量参数 \\(\\theta\\) 位于开集 \\(\\Theta\\subseteq\\mathbb R\\)。这里“受控”是指模型中的所有分布相对于同一个与参数无关的测度 \\(\\mu\\) 都有密度 \\(p(x\\mid\\theta)\\)：离散观测取计数测度，连续观测通常取勒贝格测度。对于固定观测 \\(x\\)，对数似然为 \\(\\ell(\\theta;x)=\\log p(x\\mid\\theta)\\)。在密度为正且可微处，得分函数 为\n\n\\[s_\\theta(x)=\\partial_\\theta\\ell(\\theta;x) =\\frac{\\partial_\\theta p(x\\mid\\theta)}{p(x\\mid\\theta)}.\\]\n\n求导针对参数而非观测：当 \\(\\theta\\) 变化时，\\(x\\) 保持不变。因此，得分函数是对数似然的局部变化率；当观测按 \\(P_\\theta\\) 抽取时，\\(s_\\theta(X)\\) 成为一个随机变量。(stat210a.berkeley.edu)\n\n标量费雪信息量是得分函数平方的期望值，\n\n\\[I(\\theta)=\\mathbb E_\\theta[s_\\theta(X)^2].\\]\n\n对于可数支撑 \\(\\mathcal X\\) 上的概率质量函数，它变为\n\n\\[I(\\theta)=\\sum_{x\\in\\mathcal X} \\bigl[\\partial_\\theta\\log p(x\\mid\\theta)\\bigr]^2p(x\\mid\\theta);\\]\n\n对于连续支撑上的概率密度函数，它变为\n\n\\[I(\\theta)=\\int_{\\mathcal X} \\bigl[\\partial_\\theta\\log p(x\\mid\\theta)\\bigr]^2p(x\\mid\\theta)\\,dx.\\]\n\n这些表达式度量的是平方局部敏感度，并且是在与求导点相同的参数值下、对生成的观测取平均。它们非负；要有限，则得分函数必须平方可积。(stat.cmu.edu)\n\n在适当的正则性条件下，得分函数的均值为零。一个标准的充分设定假设支撑与参数无关，在该支撑上密度为正，并且在所考虑参数的一个邻域内可微。若 \\(\\lvert\\partial_\\theta p(x\\mid\\theta)\\rvert\\) 存在一个在该邻域上一致成立的可积上界，则可借助控制收敛定理在积分号下求导。对归一化恒等式求导，便得到\n\n\\[\\mathbb E_\\theta[s_\\theta(X)] =\\int_{\\mathcal X}\\partial_\\theta p(x\\mid\\theta)\\,d\\mu(x) =\\partial_\\theta\\int_{\\mathcal X}p(x\\mid\\theta)\\,d\\mu(x) =\\partial_\\theta 1=0.\\]\n\n因此，\\(I(\\theta)=\\operatorname{Var}_\\theta[s_\\theta(X)]\\)：信息量是得分函数的方差，而不仅仅是其二阶矩。参数取值必须相匹配；在 \\(\\theta'\\ne\\theta\\) 时，在 \\(\\theta\\) 处求得的得分函数在 \\(P_{\\theta'}\\) 下的期望不一定为零。依赖参数的支撑可能引入边界项，从而使上述计算失效。(stat210a.berkeley.edu)\n\n曲率表示还需要额外假设：密度二阶可微、证明二阶导数与积分可交换的条件，以及相关量可积。例如，在公共支撑设定下，若存在 \\(\\lvert\\partial_\\theta^2p(x\\mid\\theta)\\rvert\\) 在邻域内一致成立的可积上界，并且信息量有限，就已足够。直接求导可得\n\n\\[\\partial_\\theta^2\\ell(\\theta;x) =\\frac{\\partial_\\theta^2p(x\\mid\\theta)}{p(x\\mid\\theta)} -s_\\theta(x)^2.\\]\n\n取期望并利用\n\\(\\int\\partial_\\theta^2p(x\\mid\\theta)\\,d\\mu(x)=\\partial_\\theta^2 1=0\\)\n即可证明\n\n\\[I(\\theta)=-\\mathbb E_\\theta[\\partial_\\theta^2\\ell(\\theta;X)].\\]\n\n该等式是正则模型中的一个恒等式，并不是对所有似然都无条件成立的替代定义。(stat.cmu.edu)\n\n期望信息量 \\(I(\\theta)\\) 是对所有可能数据的平均。相比之下，观测信息量\n\n\\[j(\\theta;x)=-\\partial_\\theta^2\\ell(\\theta;x)\\]\n\n由实际观测计算得到，通常依赖于实际观测。在曲率恒等式下，\\(\\mathbb E_\\theta[j(\\theta;X)]=I(\\theta)\\)，但二者在单个样本上未必相等。观测信息量也并非必须在每个参数值上都非负：在该特定对数似然二阶导数为正处，它为负；而期望信息量按平方得分定义，始终非负。(stat.umn.edu)" }, { "heading": "多参数信息量与干扰参数", "text": "对于参数向量 \\(\\theta=(\\theta_1,\\ldots,\\theta_d)^{\\mathsf T}\\)，得分函数为对数似然对参数的偏导数组成的列向量：\n\n\\[s_\\theta(X)=\\nabla_\\theta\\log p(X\\mid\\theta), \\qquad I(\\theta)=E_\\theta[s_\\theta(X)s_\\theta(X)^{\\mathsf T}].\\]\n\n假设得分函数具有有限二阶矩，且积分号下求导成立，从而 \\(E_\\theta[s_\\theta]=0\\)。于是 \\(I\\) 就是它的协方差矩阵：\\(I_{jj}=E_\\theta[s_j^2]\\) 衡量在固定其余坐标时对 \\(\\theta_j\\) 的敏感度，而 \\(I_{jk}=E_\\theta[s_js_k]\\) 记录不同参数得分之间的交叉协方差。这些交叉项描述的是似然对参数不同变化的响应之间的重叠，而不是参数本身的相关性。(stat210a.berkeley.edu)\n\n该矩阵是对称且半正定的，因为对任意 \\(a\\in\\mathbb R^d\\)，\n\n\\[a^{\\mathsf T}I(\\theta)a =E_\\theta[(a^{\\mathsf T}s_\\theta(X))^2]\\geq0.\\]\n\n这里 \\(a^{\\mathsf T}s_\\theta\\) 是沿 \\(\\theta+ta\\) 的方向得分。在固定的参数单位下，特征值与特征向量中的特征值因而量化了沿相应特征向量的敏感度。零特征值对应一个得分几乎必然为零的方向：模型在该方向上不存在一阶敏感度。这一局部结论并不能说明不同的参数值会产生相同的分布。特征值的大小还取决于所选的参数坐标。(stat210a.berkeley.edu)\n\n将 \\(\\theta=(\\psi^{\\mathsf T},\\lambda^{\\mathsf T})^{\\mathsf T}\\) 分块，其中 \\(\\psi\\) 是推断目标，\\(\\lambda\\) 包含干扰参数，并写作\n\n\\[s_\\theta= \\begin{pmatrix}s_\\psi\\\\s_\\lambda\\end{pmatrix}, \\qquad I= \\begin{pmatrix} I_{\\psi\\psi}&I_{\\psi\\lambda}\\\\ I_{\\lambda\\psi}&I_{\\lambda\\lambda} \\end{pmatrix}.\\]\n\n若 \\(\\lambda\\) 已知，相关信息为 \\(I_{\\psi\\psi}\\)。若必须估计它，\\(\\lambda\\) 的变化可能部分重现似然对 \\(\\psi\\) 变化的响应。因此，可用于区分目标参数与这些干扰变化的信息，并不等同于目标参数对应的对角块本身。(web.stanford.edu)\n\n当 \\(I_{\\lambda\\lambda}\\) 可逆时，去掉目标得分在干扰得分上的线性投影：\n\n\\[s_\\psi^{\\mathrm{eff}} =s_\\psi-I_{\\psi\\lambda}I_{\\lambda\\lambda}^{-1}s_\\lambda.\\]\n\n事实上，\n\n\\[E_\\theta[s_\\psi^{\\mathrm{eff}}s_\\lambda^{\\mathsf T}] =I_{\\psi\\lambda} -I_{\\psi\\lambda}I_{\\lambda\\lambda}^{-1}I_{\\lambda\\lambda} =0.\\]\n\n展开残差的协方差即得有效信息\n\n\\[I_{\\mathrm{eff}} =E_\\theta[s_\\psi^{\\mathrm{eff}} (s_\\psi^{\\mathrm{eff}})^{\\mathsf T}] =I_{\\psi\\psi} -I_{\\psi\\lambda}I_{\\lambda\\lambda}^{-1}I_{\\lambda\\psi},\\]\n\n即干扰块的舒尔补。被减去的矩阵半正定，因此估计干扰参数不会比已知干扰参数时增加信息。对于非奇异的完整矩阵，分块求逆给出 \\((I^{-1})_{\\psi\\psi}=I_{\\mathrm{eff}}^{-1}\\)，而不是 \\(I_{\\psi\\psi}^{-1}\\)。(sciencedirect.com)\n\n一个数值示例可明确区分两者。设两个标量参数的信息量为\n\n\\[I=\\begin{pmatrix}4&2\\\\2&3\\end{pmatrix},\\]\n\n且第一个参数是关注目标。当第二个参数已知时，其信息量为 \\(4\\)；当第二个参数必须估计时，则为 \\(4-2^2/3=8/3\\)。相应地，完整矩阵逆矩阵中的目标项为 \\(3/8\\)，而已知干扰参数信息量的逆为 \\(1/4\\)。这些是块逆恒等式的结果；把它们解释为方差下界或渐近协方差的尺度，还需要相应的估计假设。(web.stanford.edu)\n\n当 \\(I_{\\psi\\lambda}=0\\) 时，两个分块彼此信息正交，此时 \\(I_{\\mathrm{eff}}=I_{\\psi\\psi}\\)。在某一参数值处的正交性是逐点性质；整个模型上的正交性取决于参数化方式。例如，正态分布的均值和标准差具有零交叉信息。因此，估计标准差不会降低关于均值的有效信息，尽管未知的尺度仍会影响有限样本的置信推断。信息正交指得分分块不相关，而不一定指得分独立或估计量独立。(arxiv.org)" }, { "heading": "算例模型与参数化选择", "text": "对于来自 伯努利分布 的单次观测 \\(X\\)，设 \\(P(X=1)=p\\) 且 \\(00\\) 的 \\(X\\)，\n\n\\[\\ell(\\lambda;x)=x\\log\\lambda-\\lambda-\\log(x!),\\qquad s_\\lambda(x)=\\frac{x-\\lambda}{\\lambda}.\\]\n\n由于 \\(\\operatorname{Var}(X)=\\lambda\\)，\\(I_\\lambda(\\lambda)=1/\\lambda\\)。若改用 \\(\\eta=\\log\\lambda\\)，则 \\(\\ell(\\eta;x)=x\\eta-e^\\eta-\\log(x!)\\)，得分函数为 \\(x-\\lambda\\)，且 \\(I_\\eta(\\eta)=\\lambda\\)。因此，增大 \\(\\lambda\\) 会减少关于均值加性变化的信息量，但会增加关于对数尺度（即相对尺度）变化的信息量。这里 \\(\\lambda\\) 是规定观测区间内的期望计数；将其等同于速率意味着假定区间长度为一。 (stat.berkeley.edu)\n\n对于单次正态观测 \\(X\\sim N(\\mu,\\sigma^2)\\)（\\(\\sigma>0\\)），对数密度求导可得\n\n\\[s_\\mu(X)=\\frac{X-\\mu}{\\sigma^2},\\qquad s_\\sigma(X)=-\\frac1\\sigma+\\frac{(X-\\mu)^2}{\\sigma^3}.\\]\n\n令 \\(Z=(X-\\mu)/\\sigma\\)，则这两个得分函数分别为 \\(Z/\\sigma\\) 和 \\((Z^2-1)/\\sigma\\)。利用 \\(E(Z^2)=1\\)、\\(E(Z^3)=0\\) 和 \\(E(Z^4)=3\\)，其期望乘积给出\n\n\\[I_{(\\mu,\\sigma)} =\\begin{pmatrix}\\sigma^{-2}&0\\\\0&2\\sigma^{-2}\\end{pmatrix}.\\]\n\n交叉项消失，因为 \\(E[Z(Z^2-1)]=0\\)。在方差坐标 \\(v=\\sigma^2\\) 下，第二个得分函数变为 \\([(X-\\mu)^2-v]/(2v^2)\\)，从而\n\n\\[I_{(\\mu,v)} =\\begin{pmatrix}v^{-1}&0\\\\0&(2v^2)^{-1}\\end{pmatrix}.\\]\n\n特别地，关于标准差的信息量为 \\(2/\\sigma^2\\)，而关于方差的信息量为 \\(1/(2\\sigma^4)\\)；这些量不可互换。 (stat.berkeley.edu)\n\n这些计算在以自然坐标表示的正则 指数族 中共享一个一般机制：\n\n\\[p_\\eta(x)=h(x)\\exp\\{\\eta^{\\mathsf T}T(x)-A(\\eta)\\}.\\]\n\n这里 \\(T(X)\\) 是规范 充分统计量，\\(A\\) 起归一化密度的作用。当自然参数取内部值时，在归一化积分下求导可得\n\n\\[\\nabla A(\\eta)=E_\\eta[T(X)],\\qquad I_\\eta(\\eta)=\\operatorname{Cov}_\\eta[T(X)] =\\nabla^2A(\\eta).\\]\n\n因此，得分函数就是中心化统计量 \\(T(X)-E_\\eta[T(X)]\\)，信息量既是它的协方差矩阵，也是 \\(A\\) 的 海森矩阵。伯努利模型和泊松模型中，\\(A(\\eta)\\) 分别为 \\(\\log(1+e^\\eta)\\) 和 \\(e^\\eta\\)。海森恒等式特别要求使用自然坐标：若对任意参数 \\(\\theta\\) 对 \\(A(\\eta(\\theta))\\) 求二阶导数，一般得不到其信息矩阵。 (stat210a.berkeley.edu)" }, { "heading": "克拉美—罗不等式与有效性", "text": "设 \\(X\\) 表示整个观测样本，其联合密度函数或质量函数为 \\(p_\\theta(x)\\)，令 \\(S_\\theta(X)=\\partial_\\theta\\log p_\\theta(X)\\) 为其得分函数。假设参数为标量且位于内点，支撑集不依赖于参数，归一化条件与估计量期望均可在积分（或求和）号下求导，且二阶矩有限，并满足 \\(00\\)，以限制沿信息较弱方向的放大。步长控制用于处理把局部曲率当作在整个有限更新过程中都有效所带来的额外误差。阻尼和结构化近似是计算上的正则化，而不是精确的信息矩阵，并且通常会改变其重参数化性质。(arxiv.org)" }, { "heading": "实验设计与测量", "text": "在实验设计中，信息不仅取决于未知参数，还取决于可控制的观测设置。令 \\(u\\) 表示一种设置，例如剂量、采样时间或仪器配置，并令 \\(I(\\theta;u)\\) 表示来自密度为 \\(p(y\\mid\\theta,u)\\) 的一次观测的信息。一个设计 \\(\\xi=\\{(u_k,w_k)\\}_{k=1}^{K}\\) 指定设置及分配比例，其中 \\(w_k\\geq0\\) 且 \\(\\sum_k w_k=1\\)。对于按这些比例分配的 \\(n\\) 次独立观测，总信息为\n\n\\[I(\\theta;\\xi)=n\\sum_{k=1}^{K}w_k I(\\theta;u_k).\\]\n\n精确设计要求每个 \\(nw_k\\) 为整数；近似设计则把权重视为连续优化变量。观测密度必须包含测量噪声模型：改变噪声方差、相关性或响应分布，都会改变同一设置对应的信息。基于分配权重的表述既用于线性测量，也用于更一般的回归模型。(web.stanford.edu)\n\n最优性判据把这个矩阵比较归约为标量目标，通常固定样本量或成本。D-最优性最大化 行列式 \\(\\det I(\\theta;\\xi)\\)，或者当信息正定时等价地最大化 \\(\\log\\det I\\)。它最小化逆信息矩阵的行列式，并在正态近似下最小化固定水平置信椭球的体积。A-最优性最小化 矩阵的迹 \\(\\operatorname{tr}(I^{-1})\\)，对应参数方差界限之和。E-最优性最大化最小特征值 \\(\\lambda_{\\min}(I)\\)；等价地，它最小化 \\(\\lambda_{\\max}(I^{-1})\\)，即单位长度参数对比中的最大方差界。这些最优性目标不一定选出相同的设计。A-最优性和 E-最优性还需要指定参数尺度，因为改变单位会改变各参数方向的相对权重。(itl.nist.gov)\n\n对于高斯 线性回归，设 \\(Y=X\\beta+\\varepsilon\\)，其中设计矩阵 \\(X\\) 固定，误差相互独立且服从分布 \\(N(0,\\sigma^2)\\)，且 \\(\\sigma^2\\) 已知。对对数似然求导得到得分函数 \\(X^{\\mathsf T}(Y-X\\beta)/\\sigma^2\\)，其协方差为\n\n\\[I_\\beta=\\frac{X^{\\mathsf T}X}{\\sigma^2}.\\]\n\n当 \\(X\\) 的 矩阵的秩 等于其列数（列满秩）时，最小二乘估计量具有精确协方差 \\(\\sigma^2(X^{\\mathsf T}X)^{-1}\\)。秩亏会使某些系数组合不可识别；接近共线性会产生较小的信息特征值和相应方向上的较大方差。因此，重复观测能够增加信息；但如果每个重复都使用同一组不充分的回归向量，则无法消除秩亏。这些结果直接由高斯线性测量表述得到。(web.stanford.edu)\n\n作为一个具体计算，考虑包含截距和斜率的情形，设置取 \\(x_i\\in[-1,1]\\)。前面的公式给出\n\n\\[I_\\beta=\\frac{1}{\\sigma^2} \\begin{pmatrix} n&\\sum_i x_i\\\\ \\sum_i x_i&\\sum_i x_i^2 \\end{pmatrix}, \\qquad \\det I_\\beta=\\frac{n\\sum_i x_i^2-(\\sum_i x_i)^2}{\\sigma^4}.\\]\n\n当 \\(n\\) 为偶数时，将观测等量分配到 \\(-1\\) 和 \\(1\\) 可获得最大行列式 \\(n^2/\\sigma^4\\)。取 \\(n=10\\) 且 \\(\\sigma^2=4\\) 时，该设计给出 \\(I_\\beta=\\operatorname{diag}(2.5,2.5)\\)，因此两个系数的方差均为 \\(0.4\\)。若将全部 10 个观测都取在 \\(x=0\\)，则得到 \\(\\operatorname{diag}(2.5,0)\\)，不提供任何斜率信息。这一端点结果只针对所指定的直线模型：若加入二次项，则同样的两设置设计会因秩亏而失败，因为在两个端点处都有 \\(x^2=1\\)。(web.stanford.edu)\n\n在非线性模型或异方差模型中，信息通常依赖于未知参数值。局部最优设计在指定名义值 \\(\\theta_0\\) 处优化 \\(I(\\theta_0;\\xi)\\)。一种基于信息的贝叶斯替代方案是在 先验分布 上对某个判据取平均，例如最大化 \\(E_\\pi[\\log\\det I(\\theta;\\xi)]\\)；这通常并不等价于最大化先验平均矩阵的对数行列式。一种稳健的替代方案是在指定参数区域上优化最坏情形表现，有时使用相对于每个参数值局部最优的效率。因此，先验分布或不确定区域、允许的设置、噪声假设以及所选判据，都是任何最优性结论的组成部分，而非次要细节。(conservancy.umn.edu)" }, { "heading": "信息论与量子扩展", "text": "费雪信息与信息熵量化概率模型的不同性质。熵描述结果的不确定性：对离散变量，\\(H(X)=-\\sum_x p(x)\\log p(x)\\)。互信息通过 \\(I(X;Y)=D_{\\mathrm{KL}}(p_{XY}\\Vert p_Xp_Y)\\) 描述依赖关系。这两个定义都不要求存在未知参数。费雪信息则通过对数密度的导数度量对指定参数的敏感度；其数值依赖于参数的单位。这些区别在连续分布中仍然存在，此时微分熵替代离散熵。因此，熵与费雪信息之间的联系连接的是不同量，而不是把它们等同起来。(arxiv.org)\n\n对于 \\(\\mathbb R^d\\) 上可微的概率密度 \\(f\\)，平移信息泛函是\n\n\\[J(f)=\\int_{\\{f>0\\}}\\|\\nabla\\log f(x)\\|^2f(x)\\,dx.\\]\n\n此处微分是对观测坐标进行的。充分的正则性条件包括密度为正且连续可微、\\(J(f)\\) 有限、一阶导数可积，以及边界衰减足够强，使分部积分没有边界项贡献。在位置族 \\(p(x\\mid\\theta)=f(x-\\theta)\\) 中，参数得分是 \\(-\\nabla\\log f(x-\\theta)\\)；因此，位置信息矩阵是 \\(\\int(\\nabla\\log f)(\\nabla\\log f)^{\\mathsf T}f\\,dx\\)，而 \\(J(f)\\) 是它的迹。与熵的一个直接联系是 de Bruijn 恒等式：若 \\(Z\\) 是独立的标准高斯向量，且相关微分与积分均可正当化，则对 \\(t>0\\)，\n\n\\[\\frac{d}{dt}h(X+\\sqrt t\\,Z) =\\frac12J(f_{X+\\sqrt t\\,Z}),\\]\n\n使用自然对数。因此，平移信息度量高斯平滑下熵的增长速率。(arxiv.org)\n\n在量子力学中，参数化态由一个密度矩阵 \\(\\rho_\\theta\\) 表示。它的对称对数导数（SLD）是一个自伴算符 \\(L_\\theta\\)，满足\n\n\\[\\partial_\\theta\\rho_\\theta =\\frac12(L_\\theta\\rho_\\theta+\\rho_\\theta L_\\theta), \\qquad F_Q(\\theta)=\\operatorname{Tr}(\\rho_\\theta L_\\theta^2).\\]\n\n这定义了量子费雪信息的 SLD 版本。对满秩态，SLD 唯一；对正则的固定秩族，其核–核分量上的任意性不影响 \\(F_Q\\)。对纯态 \\(\\rho_\\theta=|\\psi_\\theta\\rangle\\langle\\psi_\\theta|\\)，公式变为 \\(F_Q=4(\\langle\\partial_\\theta\\psi|\\partial_\\theta\\psi\\rangle-|\\langle\\psi|\\partial_\\theta\\psi\\rangle|^2)\\)。特别地，酉编码 \\(|\\psi_\\theta\\rangle=e^{-i\\theta G}|\\psi_0\\rangle\\) 给出 \\(F_Q=4\\operatorname{Var}_{\\psi_0}(G)\\)，使敏感度显式依赖于生成元的涨落。(arxiv.org)\n\n某个给定测量由正算符 \\(M_y\\) 描述，满足 \\(\\sum_yM_y=\\mathbf1\\)，它产生经典概率 \\(p(y\\mid\\theta)=\\operatorname{Tr}(\\rho_\\theta M_y)\\) 和经典信息 \\(I_M(\\theta)\\)。对于标量估计，\\(I_M(\\theta)\\leq F_Q(\\theta)\\)；Samuel L. Braunstein 和 Carlton M. Caves 于 1994 年建立了测量最优化的刻画。局域地看，在 SLD 的特征基中测量可达到最大值，但所需基通常依赖于未知参数。对于 \\(n\\) 次独立且相同的制备以及一个局域无偏估计量，量子 Cramér–Rao 界为\n\n\\[\\operatorname{Var}_\\theta(\\hat\\theta)\\geq\\frac{1}{nF_Q(\\theta)}.\\]\n\n仅优化测量信息本身并不能保证有限样本估计效率；自适应测量可在合适的正则大样本设定中处理参数依赖问题。(doi.org)\n\n对于多个参数，各自的 SLD 定义\n\n\\[(F_Q)_{ij} =\\frac12\\operatorname{Tr}\\!\\left[\\rho(L_iL_j+L_jL_i)\\right].\\]\n\n当该矩阵非奇异时，局域无偏估计满足 \\(\\operatorname{Cov}(\\hat\\theta)\\succeq(nF_Q)^{-1}\\)。但与标量估计不同，一个测量未必能达到整个矩阵界：不同的 SLD 可能需要不相容的测量。对易的 SLD 允许存在共同特征基，并提供一个充分的相容性条件。单纯不相容并不具有决定性；较弱的条件 \\(\\operatorname{Tr}(\\rho[L_i,L_j])=0\\) 决定正则集体测量表述中的渐近可达性。当相容性不成立时，可达精度需要考虑依赖于测量的折衷或更紧的界，而不能简单地将 \\(F_Q^{-1}\\) 的每个对角元都解释为可同时达到。(quanestimation.github.io)" }, { "heading": "非正则模型与解释的局限", "text": "对于在 \\((0,\\theta)\\) 上服从 均匀分布 且 \\(\\theta>0\\) 的 \\(X\\)，密度为 \\(p_\\theta(x)=\\theta^{-1}\\mathbf 1_{\\{0