Fugu-MT 論文翻訳(概要): Chinese Remainder Theorem Approach to Montgomery-Type Algorithms

論文の概要: Chinese Remainder Theorem Approach to Montgomery-Type Algorithms

arxiv url: http://arxiv.org/abs/2402.00675v3
Date: Mon, 10 Feb 2025 02:07:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-11 14:23:28.468593
Title: Chinese Remainder Theorem Approach to Montgomery-Type Algorithms
Title（参考訳）: モンゴメリー型アルゴリズムに対する中国語リマインダー理論のアプローチ
Authors: Guangwu Xu, Yiran Jia, Yanze Yang,
Abstract要約: 本稿では,モンゴメリー型アルゴリズムをモデル化するための中国語のRemainder Theorem形式について検討する。 Qinのアイデンティティに基づくCRTの導出は、直ちにモンゴメリー還元アルゴリズムを与える。
参考スコア（独自算出の注目度）: 2.9357919636083256
License:
Abstract: This paper explores the ability of the Chinese Remainder Theorem formalism to model Montgomery-type algorithms. A derivation of CRT based on Qin's Identity gives Montgomery reduction algorithm immediately. This establishes a unified framework to treat modular reduction algorithms of Montgomery-type. Several recent notable variants of Montgomery algorithm are analyzed, validation of these methods are performed within the framework. Problems in some erroneous design of reduction algorithms of Montgomery-type in the literature are detected and counter examples are easily generated by using the CRT formulation.
Abstract（参考訳）: 本稿では,モンゴメリー型アルゴリズムをモデル化するための中国語のRemainder Theorem形式について検討する。 Qinのアイデンティティに基づくCRTの導出は、直ちにモンゴメリー還元アルゴリズムを与える。これにより、モンゴメリー型のモジュラーリダクションアルゴリズムを扱う統一的なフレームワークが確立される。最近のモンゴメリーアルゴリズムのいくつかの顕著な変種を解析し、これらの手法の検証をフレームワーク内で行う。文献中のモンゴメリー型還元アルゴリズムの誤設計の問題点を検知し、CRT定式化を用いて逆例を容易に生成する。

関連論文リスト

A new lightweight additive homomorphic encryption algorithm [0.0]
本稿では、同じ暗号鍵と復号鍵を持つ軽量な加法的同型アルゴリズムについて述べる。これにより、モジュラー指数からモジュラー乗算への暗号化と復号化の計算コストが削減される。
論文参考訳（メタデータ） (2023-12-12T05:12:20Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
Efficient Additions and Montgomery Reductions of Large Integers for SIMD [2.362288417229025]
本稿では,512ビット以上の整数に対してモンゴメリー還元と加算を行うための効率的なアルゴリズムを提案する。新しい加算アルゴリズムは、より小さな加算を用いて大きな整数の追加をシミュレートし、すぐに同じキャリーセットを生成する。モンゴメリー還元の場合、シリアル乗算はSIMD拡張を用いて効果的に計算できるプリ計算に置き換えられる。
論文参考訳（メタデータ） (2023-08-31T03:44:49Z)
Synthesising Recursive Functions for First-Order Model Counting: Challenges, Progress, and Conjectures [12.47276164048813]
1次モデルカウント(英: First-order model counting、FOMC)は、有限領域の1次論理において文のモデルを数えるように要求する計算問題である。私たちは、典型的にドメイン再帰に伴う制限を緩和し、サイクルを含むかもしれない有向グラフを扱う。これらの改良により、アルゴリズムはそれまで到達範囲を超えていた問題を数えるための効率的な解を見つけることができる。
論文参考訳（メタデータ） (2023-06-07T06:49:01Z)
A Constrained BA Algorithm for Rate-Distortion and Distortion-Rate Functions [13.570794979535934]
速度歪み関数に対するBlahut-Arimoto (BA)アルゴリズムの修正修正アルゴリズムは、与えられた対象歪みに対してRD関数を直接計算する。
論文参考訳（メタデータ） (2023-05-04T08:41:03Z)
Modular Differential Evolution [0.0]
本稿では,一般的な微分進化(DE)アルゴリズムのためのモジュラーフレームワークを提案する。モジュールDEの設定のチューニングは、我々のフレームワークで再現された一般的なDEバージョンのセットよりも大幅に優れています。
論文参考訳（メタデータ） (2023-04-19T09:29:48Z)
Regret Bounds for Expected Improvement Algorithms in Gaussian Process Bandit Optimization [63.8557841188626]
期待されている改善(EI)アルゴリズムは、不確実性の下で最適化するための最も一般的な戦略の1つである。本稿では,GP予測平均を通した標準既存値を持つEIの変種を提案する。我々のアルゴリズムは収束し、$mathcal O(gamma_TsqrtT)$の累積後悔境界を達成することを示す。
論文参考訳（メタデータ） (2022-03-15T13:17:53Z)
Gaussian Process Bandit Optimization with Few Batches [49.896920704012395]
有限腕バンディットアルゴリズムにインスパイアされたバッチアルゴリズムを導入する。 O(log T)$ batches in time horizon $T$.sqrtTgamma_T)$ using $O(log T)$ batches in time horizon。さらに,アルゴリズムの修正版を提案し,バッチ数によって後悔がどう影響するかを特徴付ける。
論文参考訳（メタデータ） (2021-10-15T00:54:04Z)
AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization [159.75564904944707]
垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
論文参考訳（メタデータ） (2021-09-26T07:56:10Z)
Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。両レベル最適化のための2つの新しいアルゴリズムを提案する。両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文参考訳（メタデータ） (2021-06-08T21:05:30Z)
Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文参考訳（メタデータ） (2020-06-15T02:57:57Z)

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。