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

• PPLNs: Parametric Piecewise Linear Networks for Event-Based Temporal Modeling and Beyond [25.2310477913357]
  時間的視覚推定のためのPPLN(Parametric Piecewise Linear Networks)を提案する。 PPLNは、生物学的神経行動を制御する神経型原理に動機付けられ、イベントカメラが捉えたデータを処理するのに理想的である。
  論文  参考訳（メタデータ） (2024-09-29T20:45:51Z)
• Hardware-Friendly Implementation of Physical Reservoir Computing with CMOS-based Time-domain Analog Spiking Neurons [0.26963330643873434]
  本稿では, 相補的金属酸化物半導体(CMOS)プラットフォーム上でのハードウェアフレンドリーな物理貯水池計算のためのスパイクニューラルネットワーク(SNN)を提案する。 短期記憶と排他的ORタスクによるRCと、97.7%の精度で音声桁認識タスクを実演する。
  論文  参考訳（メタデータ） (2024-09-18T00:23:00Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• 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)
• 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。