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

Bregman-divergence-based Arimoto-Blahut algorithm [53.64687146666141]
本稿では,Arimoto-BlahutアルゴリズムをBregman-Diversergenceシステム上で定義された一般関数に一般化する。本稿では,古典的および量子速度歪み理論に適用可能な凸最適化自由アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-10T06:16:24Z)
Indexed Minimum Empirical Divergence-Based Algorithms for Linear Bandits [55.938644481736446]
Indexed Minimum Empirical Divergence (IMED)は、マルチアームバンディット問題に対する非常に効果的なアプローチである。 UCBベースのアルゴリズムとトンプソンサンプリングを実証的に上回ることが観察されている。我々は、LinIMEDアルゴリズムのファミリーと呼ぶIMEDアルゴリズムの新しい線形バージョンを提案する。
論文参考訳（メタデータ） (2024-05-24T04:11:58Z)
ADMM-MM Algorithm for General Tensor Decomposition [7.0326155922512275]
提案アルゴリズムは3つの基本損失関数(ell$-loss, $ell$-loss, KL divergence)と様々な低ランクテンソル分解モデル(CP, Tucker, TT, TR)をサポートする。提案したアルゴリズムにより広帯域のアプリケーションを解くことができ、プラグイン・アンド・プレイ方式で既存のテンソル分解モデルに容易に拡張できることを示す。
論文参考訳（メタデータ） (2023-12-19T00:17:34Z)
Automatic Rao-Blackwellization for Sequential Monte Carlo with Belief Propagation [4.956977275061968]
状態空間モデル(SSM)に関する具体的なベイズ予想は、一般には難解である。本稿では,信念の伝播を用いた閉形式解を可能な限り計算する混合推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-12-15T15:05:25Z)
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)
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)
The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文参考訳（メタデータ） (2022-06-14T12:30:11Z)
Reconstructing Sparse Signals via Greedy Monte-Carlo Search [6.660458629649825]
高次元環境下でスパース信号を再構成するモンテカルロ法を提案する。欲求モンテカルロ探索アルゴリズムは、欲求モンテカルロ探索アルゴリズム (greedy Monte-Carlo search algorithm) と呼ばれる。
論文参考訳（メタデータ） (2020-08-07T13:36:57Z)
Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文参考訳（メタデータ） (2020-07-01T18:43:32Z)
Stochastic Regret Minimization in Extensive-Form Games [109.43344748069933]
Monte-Carlo counterfactual regret minimization (MCCFR) は、完全な木には大きすぎるシーケンシャルゲームを解くための最先端のアルゴリズムである。後悔の最小化手法を開発するための新しい枠組みを開発する。 MCCFRよりも優れた方法がいくつかある3つのゲームについて広範な実験を行った。
論文参考訳（メタデータ） (2020-02-19T23:05:41Z)

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。