論文の概要: A Search for Good Pseudo-random Number Generators : Survey and Empirical Studies

• arxiv url: http://arxiv.org/abs/1811.04035v2
• Date: Sun, 17 Aug 2025 14:44:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-24 16:35:35.50798
• Title: A Search for Good Pseudo-random Number Generators : Survey and Empirical Studies
• Title（参考訳）: 擬似ランダム数生成器の探索 : 調査と実証研究
• Authors: Kamalika Bhattacharjee, Sukanta Das,
• Abstract要約: これまで開発されたPRNGのジャンルは,線形連続生成器ベース,線形フィードバックシフトレジスタベース,セルオートマトンベースという3つのグループに分類されてきた。 全体として30ドルのPRNGは、Diehardバッテリテストによるブラインド統計テスト、TestU01ライブラリのバッテリエマビット、NIST統計テストスイートの2種類の経験的テストを行う方法として選択されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper targets to search so-called \emph{good} generators by doing a brief survey over the generators developed in the history of pseudo-random number generators (PRNGs), verify their claims and rank them based on strong empirical tests in same platforms. To do this, the genre of PRNGs developed so far are explored and classified into three groups -- linear congruential generator based, linear feedback shift register based and cellular automata based. From each group, the well-known widely used generators which claimed themselves to be `\emph{good}' are chosen. Overall $30$ PRNGs are selected in this way on which two types of empirical testing are done -- blind statistical tests with Diehard battery of tests, battery \emph{rabbit} of TestU01 library and NIST statistical test-suite as well as graphical tests (lattice test and space-time diagram test). Finally, the selected PRNGs are divided into $24$ groups and are ranked according to their overall performance in all empirical tests.
• Abstract（参考訳）: 本稿では,擬似ランダム数生成器(PRNG)の歴史において発達したジェネレータについて簡単な調査を行い,その主張を検証し,同一プラットフォーム上での強い実証実験に基づいてランク付けすることで,いわゆる「emph{good}」ジェネレータの探索を目標とする。 そこで,これまでに開発されたPRNGのジャンルを,線形連続生成器,線形フィードバックシフトレジスタ,セルオートマトンという3つのグループに分類した。 各群から、自分たちが '\emph{good}' であると主張するよく知られた一般的なジェネレータが選択される。 全体として30ドル PRNG は2種類の経験的テスト - Diehard のバッテリテストによるブラインド統計テスト、TestU01 ライブラリのバッテリ \emph{rabbit} と NIST の統計テストスイート、グラフィカルテスト(格子テストと時空ダイアグラムテスト)の2種類の方法で選択される。 最後に、選択されたPRNGは24ドルのグループに分けられ、すべての経験的テストで全体のパフォーマンスに応じてランク付けされる。

関連論文リスト

• Tuning Random Generators: Property-Based Testing as Probabilistic Programming [19.843056237039516]
  プロパティベースのテスト(PBT)は、ランダムに生成された入力に基づいてソフトウェアを評価することで、実行可能な仕様に対してソフトウェアを検証する。 PBTユーザがテストインプットを生成する標準的な方法は、ランダムな選択を通じてテストインプットをサンプルする方法を記述するジェネレータ経由である。 発電機の自動およびオフラインチューニングのための技術を開発する。
  論文  参考訳（メタデータ） (2025-08-20T03:45:13Z)
• Statistical Quality and Reproducibility of Pseudorandom Number Generators in Machine Learning technologies [0.0]
  MLフレームワークで使用されるPRNGの統計的品質を、元のC実装と比較する。 我々の発見は統計的堅牢性の主張に挑戦し、'crush-resistant'(例えばPCG、フィロックス)とラベル付けされた発電機でさえ、ある統計検査に失敗する可能性があることを明らかにした。
  論文  参考訳（メタデータ） (2025-07-02T09:38:00Z)
• How to Select Datapoints for Efficient Human Evaluation of NLG Models? [57.60407340254572]
  我々は,人間の評価に最も有用なデータポイントを得るために,セレクタスイートを開発し,分析する。 本研究では,自動測定値の分散に基づくセレクタ,モデル出力の多様性,項目応答理論がランダム選択より優れていることを示す。 特に,情報源に基づく推定手法を導入し,情報源のテキストに基づいて人体評価に有用な項目を推定する。
  論文  参考訳（メタデータ） (2025-01-30T10:33:26Z)
• To what extent are multiple pendulum systems viable in pseudo-random number generation? [0.0]
  本稿では,代替擬似乱数生成器(PRNG)の開発と実現可能性について検討する。 従来のPRNG(特にJava.Randomクラスで実装されたもの)は、エクスプロイラビリティを引き起こす予測可能性に悩まされている。 本研究では,通常の微分方程式,物理モデリング,カオス理論を用いて設計された新しいPRNGを提案する。
  論文  参考訳（メタデータ） (2024-04-15T00:28:51Z)
• Statistical testing of random number generators and their improvement using randomness extraction [0.0]
  乱数生成器(RNG)は、特に暗号アプリケーションにおいて、構築とテストが難しいことで知られている。 我々はRNG出力品質を改善するためにランダム性抽出器を用いて様々な後処理手法を設計、実装、提示する。 既存のテストスイートに基づいた総合的な統計的テスト環境を導入し、軽量(高速)なテストから集中的なテストにパラメトリできる。
  論文  参考訳（メタデータ） (2024-03-27T16:05:02Z)
• BiasTestGPT: Using ChatGPT for Social Bias Testing of Language Models [73.29106813131818]
  テスト文は限られた手動テンプレートから生成されるか、高価なクラウドソーシングを必要とするため、現時点ではバイアステストは煩雑である。 ソーシャルグループと属性の任意のユーザ指定の組み合わせを考慮し、テスト文の制御可能な生成にChatGPTを使うことを提案する。 本稿では,HuggingFace上にホストされているオープンソースの総合的バイアステストフレームワーク(BiasTestGPT)について紹介する。
  論文  参考訳（メタデータ） (2023-02-14T22:07:57Z)
• Joint Generator-Ranker Learning for Natural Language Generation [99.16268050116717]
  JGRは、ジェネレータとローダを単一のフレームワークに統合する、新しいジョイントトレーニングアルゴリズムである。 ジェネレータとランク装置を反復的に更新することにより、JGRは学習を効果的に調和させ、共同で品質を高めることができる。
  論文  参考訳（メタデータ） (2022-06-28T12:58:30Z)
• An Evaluation Study of Generative Adversarial Networks for Collaborative Filtering [75.83628561622287]
  本研究は、原論文で発表された結果の再現に成功し、CFGANフレームワークと原評価で使用されるモデルとの相違が与える影響について論じる。 この研究は、CFGANと単純でよく知られた適切に最適化されたベースラインの選択を比較した実験的な分析をさらに拡張し、CFGANは高い計算コストにもかかわらず、それらに対して一貫して競合していないことを観察した。
  論文  参考訳（メタデータ） (2022-01-05T20:53:27Z)
• Sampling-Decomposable Generative Adversarial Recommender [84.05894139540048]
  サンプル分解可能な生成逆数レコメンダ(SD-GAR)を提案する。 本フレームワークでは, 自己正規化重要度サンプリングにより, 生成元と最適値とのばらつきを補償する。 提案アルゴリズムを5つの実世界のレコメンデーションデータセットを用いて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-11-02T13:19:10Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。