論文の概要: Privacy-preserving Linear Computations in Spiking Neural P Systems
- arxiv url: http://arxiv.org/abs/2309.13803v1
- Date: Mon, 25 Sep 2023 01:16:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 17:33:17.571168
- Title: Privacy-preserving Linear Computations in Spiking Neural P Systems
- Title(参考訳): スパイクニューラルPシステムにおけるプライバシ保護線形計算
- Authors: Mihail-Iulian Plesa (University of Bucharest), Marian Gheorghe
(University of Bradford), Florentin Ipate (University of Bucharest)
- Abstract要約: スパイキングニューラルPシステム(Spike Neural P systems)は、生体ニューロンから直接インスパイアされた膜コンピューティングモデルの一種である。
本稿では,リモートサーバにホストされたSNPシステムを用いて,クライアントが線形関数を計算できる新しいプライバシ保護プロトコルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spiking Neural P systems are a class of membrane computing models inspired
directly by biological neurons. Besides the theoretical progress made in this
new computational model, there are also numerous applications of P systems in
fields like formal verification, artificial intelligence, or cryptography.
Motivated by all the use cases of SN P systems, in this paper, we present a new
privacy-preserving protocol that enables a client to compute a linear function
using an SN P system hosted on a remote server. Our protocol allows the client
to use the server to evaluate functions of the form t_1k + t_2 without
revealing t_1, t_2 or k and without the server knowing the result. We also
present an SN P system to implement any linear function over natural numbers
and some security considerations of our protocol in the honest-but-curious
security model.
- Abstract(参考訳): スパイキングニューラルpシステム(spiking neural p systems)は、生体ニューロンに直接インスパイアされた膜計算モデルの一種である。
この新しい計算モデルにおける理論的な進歩に加えて、形式的検証、人工知能、暗号といった分野におけるPシステムの応用も数多く存在する。
本稿では,sn pシステムのすべての利用事例に動機づけられ,リモートサーバにホストされたsn pシステムを用いて,クライアントが線形関数を計算できる新たなプライバシ保存プロトコルを提案する。
このプロトコルにより,クライアントはt_1,t_2,kを開示することなく,サーバが結果を知らずにt_1k + t_2の形の関数を評価することができる。
また,自然数上の任意の線形関数を実装するためのsn pシステムと,本プロトコルのセキュリティ上の考慮事項を,正直だが厳密なセキュリティモデルで提示する。
関連論文リスト
- WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。
本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。
WaLiN-GUIはオープンソースとドキュメントが提供されている。
論文 参考訳(メタデータ) (2023-10-25T20:34:08Z) - Point-based Value Iteration for Neuro-Symbolic POMDPs [27.96140203850222]
ニューロシンボリックな部分観測可能なマルコフ決定過程(NS-POMDP)を紹介する。
NS-POMDPはニューラルネットワークを用いて連続状態環境を知覚し、象徴的な決定を行うエージェントをモデル化する。
連続状態モデルの構造を利用して有限表現性を保証する2つの値反復アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-30T13:26:08Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - GPT-PINN: Generative Pre-Trained Physics-Informed Neural Networks toward
non-intrusive Meta-learning of parametric PDEs [0.0]
パラメトリックPDEの設定における課題を緩和するために,GPT-PINN(Generative Pre-Trained PINN)を提案する。
ネットワークのネットワークとして、その外/meta-networkは、ニューロン数が大幅に減少している隠蔽層が1つしかないことで、ハイパーリデュースされる。
メタネットワークは、システムのパラメトリック依存を適応的に学習し、この隠れた1つのニューロンを一度に成長させる。
論文 参考訳(メタデータ) (2023-03-27T02:22:09Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - The Predictive Forward-Forward Algorithm [79.07468367923619]
本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。
我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。
PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
論文 参考訳(メタデータ) (2023-01-04T05:34:48Z) - Voltage-Dependent Synaptic Plasticity (VDSP): Unsupervised probabilistic
Hebbian plasticity rule based on neurons membrane potential [5.316910132506153]
ニューロモルフィックハードウェア上でのHebbの可塑性機構のオンライン実装のために,脳にインスパイアされた非教師なしローカル学習ルールを提案する。
提案したVDSP学習規則はシナプス後ニューロンのスパイクにのみシナプス伝導を更新する。
MNISTデータセット上の100個の出力ニューロンのネットワークに対して85.01 $ pm $ 0.76% (Mean $ pm $ S.D.) の精度を報告した。
論文 参考訳(メタデータ) (2022-03-21T14:39:02Z) - Physics-informed Neural Networks-based Model Predictive Control for
Multi-link Manipulators [0.0]
物理インフォームド機械学習手法を用いて,多体ダイナミクスに対する非線形モデル予測制御(NMPC)について論じる。
本稿では,ネットワーク入力として制御動作と初期条件を付加することでPINNの強化を提案する。
PINNベースのMPCを用いて,複雑な機械システムにおける追跡問題の解法を提案する。
論文 参考訳(メタデータ) (2021-09-22T15:31:24Z) - Physics-Informed Neural Nets-based Control [5.252190504926357]
この研究は、Physical-Informed Neural Nets-based Control (PINC)と呼ばれる新しいフレームワークを提示する。
PINCは問題を制御でき、事前に固定されていない長距離時間地平線をシミュレートすることができる。
本手法を2つの非線形動的システムの制御において紹介する。
論文 参考訳(メタデータ) (2021-04-06T14:55:23Z) - CryptoSPN: Privacy-preserving Sum-Product Network Inference [84.88362774693914]
総生産ネットワーク(SPN)のプライバシ保護のためのフレームワークを提案する。
CryptoSPNは、中規模のSPNに対して秒の順序で高効率で正確な推論を行う。
論文 参考訳(メタデータ) (2020-02-03T14:49:18Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-02-02T21:09:39Z)
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。