Fugu-MT 論文翻訳(概要): Folding Custom Gates with Verifier Input

論文の概要: Folding Custom Gates with Verifier Input

arxiv url: http://arxiv.org/abs/2401.11364v1
Date: Sun, 21 Jan 2024 01:31:23 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 08:36:55.323153
Title: Folding Custom Gates with Verifier Input
Title（参考訳）: 検証入力によるカスタムゲートの折り曲げ
Authors: Aard Vark, Yan X Zhang,
Abstract要約: ここでは、Nova の折りたたみがいかにカスタムゲートや余分な検証器ランダムネスに一般化できるかを示す。ここでは、初めて(私たちの知る限り)見直しの折り畳みスキームの例である折り紙を紹介する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the context of interactive proofs, a "folding scheme" (popularized by Nova) is a way to combine multiple instances of a constraint system into a single instance, so the validity of the multiple instances can statistically be reduced to the validity of a single one. We show how Nova folding can be generalized to ``custom'' gates and extra rounds of verifier randomness. As an application of this extension, we present Origami, the first (to our knowledge) known example of a folding scheme for lookups.
Abstract（参考訳）: 対話的証明の文脈において、「折り畳みスキーム」は制約システムの複数のインスタンスを単一のインスタンスに結合する方法であり、複数のインスタンスの有効性を統計的に1つのインスタンスの有効性に還元することができる。ここでは,Nova の折りたたみを `custom'' ゲートと余分な検証器ランダム性に一般化する方法を示す。この拡張の応用として、初めて(私たちの知る限り)ルックアップの折り畳みスキームの例である折り紙を提示する。

関連論文リスト

A Distribution Semantics for Probabilistic Term Rewriting [0.0]
我々は、よく知られた計算形式主義である項書き換えに焦点を当てる。従来の書き換え規則と確率を組み合わせたシステムを考える。与えられた削減のために一連の「説明」を計算する方法を示す。
論文参考訳（メタデータ） (2024-10-19T12:00:13Z)
Model Pairing Using Embedding Translation for Backdoor Attack Detection on Open-Set Classification Tasks [63.269788236474234]
バックドア検出のためのオープンセット分類タスクにモデルペアを用いることを提案する。このスコアは、異なるアーキテクチャのモデルがあるにもかかわらず、バックドアの存在を示す指標であることを示している。この技術は、オープンセット分類タスク用に設計されたモデル上のバックドアの検出を可能にするが、文献ではほとんど研究されていない。
論文参考訳（メタデータ） (2024-02-28T21:29:16Z)
Unleashing the Power of Randomization in Auditing Differentially Private ML [41.14701346437445]
ランダム化されたデータセットを扱うために、差分プライバシーの定義を拡張したLifted Differential Privacy (LiDP)を導入する。次に、データセットで$K$カナリアでトレーニングされたモデルと$K - 1$カナリアでトレーニングされたモデルを区別してLiDPを監査する。第三に、実証的な高次相関に適応することにより、複数のテスト統計を利用する新しい信頼区間を導入する。
論文参考訳（メタデータ） (2023-05-29T03:53:40Z)
Open-Set Likelihood Maximization for Few-Shot Learning [36.97433312193586]
我々はFew-Shot Open-Set Recognition (FSOSR) 問題、すなわちいくつかのラベル付きサンプルしか持たないクラスのインスタンスを分類する問題に取り組む。提案手法では,推論時に非競合なクエリインスタンスを利用する。既存のトランスダクティブ手法はオープンセットのシナリオではうまく動作しないという観測により,最大極大原理の一般化を提案する。
論文参考訳（メタデータ） (2023-01-20T01:56:19Z)
One-Way Ticket to Las Vegas and the Quantum Adversary [78.33558762484924]
量子ラスベガスのクエリの複雑さは、量子対向境界と全く同じであることを示す。これは、逆反転問題に対する実現可能な解を量子クエリーアルゴリズムに変換することで達成される。
論文参考訳（メタデータ） (2023-01-05T11:05:22Z)
Easy Batch Normalization [73.89838982331453]
簡単な例は、機械学習モデルが高い信頼性で正しく分類するサンプルである。本稿では,標準および堅牢な精度向上のための簡単な例として,補助バッチ正規化を提案する。
論文参考訳（メタデータ） (2022-07-18T21:01:09Z)
FedAvg with Fine Tuning: Local Updates Lead to Representation Learning [54.65133770989836]
Federated Averaging (FedAvg)アルゴリズムは、クライアントノードでのいくつかのローカルな勾配更新と、サーバでのモデル平均更新の交互化で構成されている。我々は、FedAvgの出力の一般化の背景には、クライアントのタスク間の共通データ表現を学習する能力があることを示す。異種データを用いたフェデレーション画像分類におけるFedAvgの表現学習能力を示す実証的証拠も提供する。
論文参考訳（メタデータ） (2022-05-27T00:55:24Z)
Relation Extraction as Open-book Examination: Retrieval-enhanced Prompt Tuning [109.7767515627765]
本稿では,関係抽出のための新たな半パラメトリックなプロンプトチューニング手法を提案する。我々のモデルは、トレーニング中に重みに格納された知識を通して関係を推測する。本手法は,標準的な教師付き設定と少数ショット設定の両方で最先端を実現することができる。
論文参考訳（メタデータ） (2022-05-04T23:38:37Z)
Generating Disentangled Arguments with Prompts: A Simple Event Extraction Framework that Works [9.36117752274482]
イベント抽出は、テキストとイベント信号の間のギャップを橋渡しする。イベント抽出の領域にプロンプトベースの学習戦略を導入する。 Argument extractのF1スコアに関しては、私たちのシンプルなアーキテクチャは他のどの生成的アーキテクチャよりも強いです。
論文参考訳（メタデータ） (2021-10-09T09:36:08Z)
Uncertainty-Aware Weakly Supervised Action Detection from Untrimmed Videos [82.02074241700728]
本稿では,ビデオフレームラベルのみを用いてトレーニングした,禁止レベルの行動認識モデルを提案する。人1人当たりの手法は、複数のインスタンス学習フレームワーク内の大規模な画像データセットで訓練されている。標準的な多重インスタンス学習の仮定では、各バッグには、指定されたラベルを持つ少なくとも1つのインスタンスが含まれているという仮定が無効である場合、どのようにメソッドを適用するかを示す。
論文参考訳（メタデータ） (2020-07-21T10:45:05Z)
Instance Credibility Inference for Few-Shot Learning [45.577880041135785]
ほとんどショットラーニングは、カテゴリごとに非常に限られたトレーニングデータを持つ新しいオブジェクトを認識することを目的としていない。本稿では,未ラベルのインスタンスの分散サポートを数発の学習に活用するために,ICI (Instance Credibility Inference) と呼ばれる単純な統計手法を提案する。我々の単純なアプローチは、広く使われている4つのショットラーニングベンチマークデータセットに基づいて、最先端の新たなデータセットを確立することができる。
論文参考訳（メタデータ） (2020-03-26T12:01:15Z)

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。