論文の概要: PassFlow: Guessing Passwords with Generative Flows

• arxiv url: http://arxiv.org/abs/2105.06165v1
• Date: Thu, 13 May 2021 09:50:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-14 21:43:24.889875
• Title: PassFlow: Guessing Passwords with Generative Flows
• Title（参考訳）: PassFlow: 生成フローによるパスワードの誘導
• Authors: Giulio Pagnotta, Dorjan Hitaj, Fabio De Gaspari, Luigi V. Mancini
• Abstract要約: フローに基づく生成モデルによるパスワード推定手法を提案する。 フローベースのモデルは正確なログライクな最適化を可能にし、正確な潜在変数推論を可能にする。 フローベースのネットワークは、元のパスワード分布を正確にモデル化できることを示す。
• 参考スコア（独自算出の注目度）: 1.1470070927586016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative machine learning models rekindled research interest in the area of password guessing. Data-driven password guessing approaches based on GANs, language models and deep latent variable models show impressive generalization performance and offer compelling properties for the task of password guessing. In this paper, we propose a flow-based generative model approach to password guessing. Flow-based models allow for precise log-likelihood computation and optimization, which enables exact latent variable inference. Additionally, flow-based models provide meaningful latent space representation, which enables operations such as exploration of specific subspaces of the latent space and interpolation. We demonstrate the applicability of generative flows to the context of password guessing, departing from previous applications of flow networks which are mainly limited to the continuous space of image generation. We show that the above-mentioned properties allow flow-based models to outperform deep latent variable model approaches and remain competitive with state-of-the-art GANs in the password guessing task, while using a training set that is orders of magnitudes smaller than that of previous art. Furthermore, a qualitative analysis of the generated samples shows that flow-based networks are able to accurately model the original passwords distribution, with even non-matched samples closely resembling human-like passwords.
• Abstract（参考訳）: 最近の生成機械学習モデルの進歩は、パスワード推測の分野での研究の関心を呼び起こした。 GAN、言語モデル、深層潜伏変数モデルに基づくデータ駆動型パスワード推測手法は、優れた一般化性能を示し、パスワード推測のタスクに魅力的な特性を提供する。 本稿では,フローベース生成モデルによるパスワード推定手法を提案する。 フローベースのモデルは、正確なログライクな計算と最適化を可能にし、正確な潜在変数推論を可能にする。 さらに、フローベースモデルは有意義な潜在空間表現を提供し、潜在空間の特定の部分空間の探索や補間のような操作を可能にする。 本稿では,画像生成の連続空間に主に制限されるフローネットワークの従来の応用から外れた,パスワード推測の文脈における生成フローの適用性を示す。 上述した特性により、フローベースモデルでは、従来よりも桁違いの小さいトレーニングセットを使用しながら、深い潜伏変数モデルアプローチを上回り、パスワード推測タスクにおける最先端のGANと競合し続けることができる。 さらに、生成したサンプルの質的分析により、フローベースのネットワークが元のパスワード分布を正確にモデル化できることを示した。

関連論文リスト

• Amortizing intractable inference in large language models [56.92471123778389]
  難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。 我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。 重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
  論文  参考訳（メタデータ） (2023-10-06T16:36:08Z)
• GFlowNet-EM for learning compositional latent variable models [115.96660869630227]
  ラテントの後方のモデリングにおける重要なトレードオフは、表現性とトラクタブルな最適化の間にある。 非正規化密度からサンプリングするアルゴリズムであるGFlowNetsを提案する。 GFlowNetsをトレーニングして、後部から潜伏者へのサンプルをトレーニングすることにより、それらの強度をアモータライズされた変分アルゴリズムとして活用する。
  論文  参考訳（メタデータ） (2023-02-13T18:24:21Z)
• SIReN-VAE: Leveraging Flows and Amortized Inference for Bayesian Networks [2.8597160727750564]
  この研究はベイジアンネットワークによって定義された任意の依存構造をVAEに組み込むことを検討する。 これは、事前と推論のネットワークをグラフィカルな残留フローで拡張することで実現される。 モデルの性能をいくつかの合成データセットで比較し、データスパース設定におけるその可能性を示す。
  論文  参考訳（メタデータ） (2022-04-23T10:31:08Z)
• Generative Deep Learning Techniques for Password Generation [0.5249805590164902]
  パスワード推測に照らして,深層学習モデルと確率ベースモデルの幅広い収集について検討した。 本研究では,最先端サンプリング性能を示す変分オートエンコーダを用いた新しい生成深層学習モデルを提案する。 我々は、よく知られたデータセット上の統一制御フレームワークにおいて、徹底的な経験分析を行う。
  論文  参考訳（メタデータ） (2020-12-10T14:11:45Z)
• Unsupervised Paraphrasing with Pretrained Language Models [85.03373221588707]
  教師なし環境で,事前学習した言語モデルを用いて高品質なパラフレーズを生成する訓練パイプラインを提案する。 提案手法は,タスク適応,自己スーパービジョン,動的ブロッキング(Dynamic Blocking)という新しい復号アルゴリズムから構成される。 提案手法は,Quora Question PairとParaNMTの両方のデータセット上で,最先端の性能を達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T11:55:28Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)
• A Probabilistic Generative Model for Typographical Analysis of Early Modern Printing [44.62884731273421]
  印刷された近世文書のグリフ形状を解析するための,深く解釈可能な確率的生成モデルを提案する。 提案手法では,テンプレートパラメータから順応可能な潜伏変数を用いて,まずよく理解された印刷摂動を生成するニューラルエディターモデルを提案する。 本手法は,混在文書中の書体を完全に教師なしで発見する作業において,厳密な解釈可能なクラスタリングベースライン(Ocular)および過度に柔軟な深層生成モデル(VAE)よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-05-04T17:01:11Z)
• Improve Variational Autoencoder for Text Generationwith Discrete Latent Bottleneck [52.08901549360262]
  変分オートエンコーダ(VAE)は、エンドツーエンドの表現学習において必須のツールである。 VAEは強い自己回帰デコーダで潜伏変数を無視する傾向がある。 よりコンパクトな潜在空間において暗黙的な潜在特徴マッチングを強制する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-22T14:41:37Z)
• Augmented Normalizing Flows: Bridging the Gap Between Generative Flows and Latent Variable Models [11.206144910991481]
  本研究では,拡張データ空間上での新たな生成フローの族を提案する。これは,サンプリングの計算コストを大幅に増大させることなく,表現性を向上させることを目的としている。 本稿では,フローベース生成モデリングの標準ベンチマークにおける最先端性能について述べる。
  論文  参考訳（メタデータ） (2020-02-17T17:45:48Z)

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。