論文の概要: Optimal Spatial Deconvolution and Message Reconstruction from a Large
Generative Model of Models
- arxiv url: http://arxiv.org/abs/2303.16045v1
- Date: Tue, 28 Mar 2023 15:20:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 14:51:05.766361
- Title: Optimal Spatial Deconvolution and Message Reconstruction from a Large
Generative Model of Models
- Title(参考訳): 大規模モデル生成モデルからの最適空間デコンボリューションとメッセージ再構成
- Authors: Hector Zenil, Alyssa Adams, and Felipe S. Abrah\~ao
- Abstract要約: 本稿では,汎用的な一変量信号デコンボリューション手法を提案する。
これは、暗号、信号処理、因果分解、生命、テクノ署名検出に強い可能性を持っていると我々は主張する。
- 参考スコア(独自算出の注目度): 1.666744681664843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a general-purpose univariate signal deconvolution method based
on the principles of an approach to Artificial General Intelligence. This
approach is based on a generative model that combines information theory and
algorithmic probability that required a large calculation of an estimation of a
`universal distribution' to build a general-purpose model of models independent
of probability distributions. This was used to investigate how non-random data
may encode information about the physical properties such as dimension and
length scales in which a signal or message may have been originally encoded,
embedded, or generated. This multidimensional space reconstruction method is
based on information theory and algorithmic probability, and it is agnostic,
but not independent, with respect to the chosen computable or semi-computable
approximation method or encoding-decoding scheme. The results presented in this
paper are useful for applications in coding theory, particularly in
zero-knowledge one-way communication channels, such as in deciphering messages
sent by generating sources of unknown nature for which no prior knowledge is
available. We argue that this can have strong potential for cryptography,
signal processing, causal deconvolution, life, and techno signature detection.
- Abstract(参考訳): 本稿では,人工知能へのアプローチの原理に基づく汎用不定形信号デコンボリューション法を提案する。
このアプローチは、確率分布に依存しないモデルの汎用モデルを構築するために「普遍分布」の推定の大規模な計算を必要とする情報理論とアルゴリズム確率を組み合わせた生成モデルに基づいている。
これは、信号やメッセージが元々エンコードされたり、埋め込まれたり、生成されたりする次元や長さといった物理的性質に関する情報を、非ランダムデータがどのようにエンコードするかを調べるために用いられた。
この多次元空間再構成法は情報理論とアルゴリズム的確率に基づいており、選択された計算可能あるいは半計算可能近似法や符号化復号方式に関して非依存であるが独立ではない。
本論文は, 符号化理論の応用, 特にゼロ知識の1方向通信チャネルにおいて, 事前知識が得られない未知の性質の発生源生成によって送信されるメッセージの復号化に有用である。
これは、暗号、信号処理、因果分解、生命、テクノ署名検出に強い可能性を持っていると我々は主張する。
関連論文リスト
- Generative AI-Based Probabilistic Constellation Shaping With Diffusion
Models [12.218161437914118]
我々は,通信システムにおける星座記号のPHY設計のための生成AIの力を解き放つことを目的としている。
本研究では,拡散確率モデル(DDPM)のデノイズ・アンド・ジェネレート特性を確率論的星座形成に利用した。
以上の結果から,生成AIに基づくスキームは,ディープニューラルネットワーク(DNN)ベースのベンチマークや均一なシェーピングよりも優れていた。
論文 参考訳(メタデータ) (2023-11-15T20:14:21Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳(メタデータ) (2023-07-16T15:59:13Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳(メタデータ) (2023-05-28T06:30:29Z) - Approaching an unknown communication system by latent space exploration
and causal inference [5.026037329977691]
本稿では、教師なし深層生成モデルの潜伏空間を探索し、データ中の有意義な性質を発見する手法を提案する。
我々は、因果推論にインスパイアされた手法を用いて、個々の潜伏変数を極端な値に操作する。
この手法がモデル解釈可能性の洞察を与えることを示す。
論文 参考訳(メタデータ) (2023-03-20T08:09:13Z) - Data-Driven Optimization of Directed Information over Discrete Alphabets [15.372626012233736]
方向性情報(DI)は、逐次解析モデルの研究と分析のための基本的な尺度である。
離散入力空間上でのDIのための新しい推定最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-02T12:25:40Z) - A Non-monotonic Self-terminating Language Model [62.93465126911921]
本稿では,不完全復号アルゴリズムによる非終端列の問題に焦点をあてる。
まず、グリーディ探索、トップ$kのサンプリング、核サンプリングを含む不完全確率復号アルゴリズムを定義する。
次に,単調な終端確率の制約を緩和する非単調な自己終端言語モデルを提案する。
論文 参考訳(メタデータ) (2022-10-03T00:28:44Z) - Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。
本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。
提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文 参考訳(メタデータ) (2022-05-21T08:39:42Z) - Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent
Signals: Application to Hyperspectral Imaging [71.57324258813675]
相互依存信号のデータセットは、列が強い依存を示す行列として定義される。
ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。
ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
論文 参考訳(メタデータ) (2022-03-29T21:00:39Z) - Nonlinear Discrete Optimisation of Reversible Steganographic Coding [0.7614628596146599]
立体歪みは、忠実度に敏感な状況では許容できないかもしれない。
本研究では,非線型離散最適化問題として可逆なステガノグラフ符号化を定式化する。
混合整数線形プログラミングを実現するために線形化技術が開発された。
論文 参考訳(メタデータ) (2022-02-26T13:02:32Z) - Parsimonious Inference [0.0]
parsimonious inferenceは任意のアーキテクチャ上の推論の情報理論的な定式化である。
提案手法は,効率的な符号化と巧妙なサンプリング戦略を組み合わせて,クロスバリデーションを伴わない予測アンサンブルを構築する。
論文 参考訳(メタデータ) (2021-03-03T04:13:14Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z)
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。