論文の概要: Integer Factorisation, Fermat & Machine Learning on a Classical Computer
- arxiv url: http://arxiv.org/abs/2308.12290v1
- Date: Sun, 16 Jul 2023 22:39:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 12:55:43.542237
- Title: Integer Factorisation, Fermat & Machine Learning on a Classical Computer
- Title（参考訳）: 古典的コンピュータにおける整数因子化と肥料・機械学習
- Authors: Sam Blake
- Abstract要約: 我々は、整数因数分解問題を二項分類問題に還元するために、ローレンスのフェルマー因数分解アルゴリズムの拡張を利用する。
大規模な擬似ランダム素数の生成が容易な分類問題に対処するため、必要に応じて大規模なトレーニングデータのコーパスを合成的に生成する。
- 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: In this paper we describe a deep learning--based probabilistic algorithm for
integer factorisation. We use Lawrence's extension of Fermat's factorisation
algorithm to reduce the integer factorisation problem to a binary
classification problem. To address the classification problem, based on the
ease of generating large pseudo--random primes, a corpus of training data, as
large as needed, is synthetically generated. We will introduce the algorithm,
summarise some experiments, analyse where these experiments fall short, and
finally put out a call to others to reproduce, verify and see if this approach
can be improved to a point where it becomes a practical, scalable factorisation
algorithm.
- Abstract（参考訳）: 本稿では、整数因数分解の深層学習に基づく確率的アルゴリズムについて述べる。我々は、フェルマーの因数分解アルゴリズムの拡張を用いて、整数因数分解問題を二項分類問題に還元する。この分類問題に対処するために、大規模な擬似ランダム素数を生成することの容易さに基づき、必要に応じて、トレーニングデータのコーパスを合成的に生成する。
アルゴリズムを導入し、いくつかの実験を要約し、これらの実験が不足している箇所を分析し、最終的に他の人に、このアプローチが実用的でスケーラブルな因数分解アルゴリズムになるところまで改善できるかどうかを再現、検証、確認するよう呼びかける。
関連論文リスト
- Maximizing the practical achievability of quantum annealing attacks on factorization-based cryptography [0.0]
本研究は、整数分解問題と離散対数問題に基づくスキームの暗号解析のための量子的手法に焦点を当てる。
本稿では、量子計算と古典計算を組み合わせたアプローチを改善することにより、分解問題の最大の事例を現実的に解く方法を示す。
論文 参考訳（メタデータ） (2024-10-07T11:55:23Z) - When can you trust feature selection? -- I: A condition-based analysis
of LASSO and generalised hardness of approximation [49.1574468325115]
近似入力を読み取る際に、LASSOのミニミサの正しいサポートセットを(確率$>1/2$で)決定できないことを示す。
不適切な入力の場合、アルゴリズムは永遠に動作するので、間違った答えを出すことはない。
無限条件数を持つ点を含む開集合上で定義される任意のアルゴリズムに対して、アルゴリズムが永久に実行されるか、間違った解を生成するような入力が存在する。
論文 参考訳（メタデータ） (2023-12-18T18:29:01Z) - Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。
本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-13T16:04:06Z) - Integer Factorization through Func-QAOA [0.0]
暗号時間整数分解のための効率的な古典的アルゴリズムは発見されていない。
本稿では,Func-QAOAによる因子化手法を提案する。
論文 参考訳（メタデータ） (2023-09-26T18:00:25Z) - An Efficient Quantum Factoring Algorithm [0.27195102129094995]
我々は、$tildeO(n3/2)$の量子回路を独立に実行することで、$n$bit整数を分解できることを示した。
アルゴリズムの正しさは、指数的古典的因数分解アルゴリズムで使われるものに似た数論的な仮定に依存する。
論文 参考訳（メタデータ） (2023-08-12T13:57:38Z) - An Algebraic-Geometry Approach to Prime Factorization [0.0]
素因数分解のための新しいアルゴリズムは、暗号アルゴリズムの現在の実装に実践的な影響を与える可能性がある。
n/2以上のパラメータを効率的に評価できる多様体が存在することを示す。
ある場合、 n/2 以上のパラメータが与えられたとき、効率的に点を評価できる多様体が存在することを示す。
論文 参考訳（メタデータ） (2022-09-23T15:31:07Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Quantum-Inspired Algorithms from Randomized Numerical Linear Algebra [53.46106569419296]
我々は、リコメンダシステムと最小二乗回帰のためのクエリをサポートする古典的な(量子でない)動的データ構造を作成する。
これらの問題に対する以前の量子インスパイアされたアルゴリズムは、レバレッジやリッジレベレッジスコアを偽装してサンプリングしていると我々は主張する。
論文 参考訳（メタデータ） (2020-11-09T01:13:07Z) - Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。
ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
論文 参考訳（メタデータ） (2020-07-07T17:03:02Z) - Efficient Nonnegative Tensor Factorization via Saturating Coordinate
Descent [16.466065626950424]
本稿では,要素選択手法を用いた高速かつ効率的なNTFアルゴリズムを提案する。
経験的解析により,提案アルゴリズムはテンソルサイズ,密度,ランクの点でスケーラブルであることがわかった。
論文 参考訳（メタデータ） (2020-03-07T12:51:52Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。