論文の概要: Cryptomite: A versatile and user-friendly library of randomness
extractors
- arxiv url: http://arxiv.org/abs/2402.09481v1
- Date: Tue, 13 Feb 2024 17:51:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 18:28:29.556117
- Title: Cryptomite: A versatile and user-friendly library of randomness
extractors
- Title(参考訳): Cryptomite: ランダム性抽出器の汎用的でユーザフレンドリなライブラリ
- Authors: Cameron Foreman, Richie Yeung, Alec Edgington and Florian J. Curchod
- Abstract要約: ランダム性抽出実装のPythonライブラリであるCryptomiteを提示する。
このライブラリは、パラメータ計算モジュールとともに、2つのソース、シード、決定論的ランダムネス抽出器を提供する。
抽出器の実装は、実際は効率的であり、最大240 > 1012$ ビットの入力サイズを許容する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Cryptomite, a Python library of randomness extractor
implementations. The library offers a range of two-source, seeded and
deterministic randomness extractors, together with parameter calculation
modules, making it easy to use and suitable for a variety of applications. We
also present theoretical results, including new extractor constructions and
improvements to existing extractor parameters. The extractor implementations
are efficient in practice and tolerate input sizes of up to $2^{40} > 10^{12}$
bits. They are also numerically precise (implementing convolutions using the
Number Theoretic Transform to avoid floating point arithmetic), making them
well suited to cryptography. The algorithms and parameter calculation are
described in detail, including illustrative code examples and performance
benchmarking.
- Abstract(参考訳): ランダム性抽出実装のPythonライブラリであるCryptomiteを紹介する。
このライブラリは、パラメータ計算モジュールとともに、2つのソース、シード、決定論的ランダムネス抽出器を提供しており、様々なアプリケーションに使いやすく、適している。
また,新しい抽出器の構成や既存の抽出器パラメータの改善を含む理論的結果も提示する。
抽出器の実装は、実際には効率的であり、入力サイズを2^{40} > 10^{12}$bitまで許容する。
これらは数値的にも正確であり(浮動小数点演算を避けるために数論的変換を用いて畳み込みを実装する)、暗号に適している。
アルゴリズムとパラメータ計算は、コード例やパフォーマンスベンチマークなど、詳細に記述されている。
関連論文リスト
- Linear-time Minimum Bayes Risk Decoding with Reference Aggregation [61.63208012250885]
最小ベイズリスク(MBR、Minimum Bayes Risk)は、機械翻訳の品質向上を図ったテキスト生成技術である。
これは2次複雑性を持つ実用計量のペアワイズ計算を必要とする。
本稿では,集約された参照表現に対して計算したスコアを用いて,ペアワイズメトリックスコアを近似する。
論文 参考訳(メタデータ) (2024-02-06T18:59:30Z) - Safe Use of Neural Networks [0.0]
ネットワークの処理ステップで算術誤差を検出できる数値ベースのコードを使用する。
1つのパリティのセットはセクションの出力から取得され、もう1つの同等のセットは元の入力から直接開発される。
我々は,データセットの規模が大きいため,長い数値ベースの畳み込み符号の使用に重点を置いている。
論文 参考訳(メタデータ) (2023-06-13T19:07:14Z) - Factorizers for Distributed Sparse Block Codes [62.38616784953048]
分散ブロック符号(SBC)は、固定ベクトルを用いてシンボルデータ構造を符号化し、操作するためのコンパクトな表現を示す。
主要な課題の1つは、可能なすべての組み合わせを探索することなく、そのようなデータ構造を構成要素に切り離し、あるいは分解することである。
GSBCと呼ばれるより柔軟で一般化されたSBCを分解する高速かつ高精度な手法を提案する。
論文 参考訳(メタデータ) (2023-03-24T12:31:48Z) - Improved Real-time Post-Processing for Quantum Random Number Generators [10.453509966841022]
実時間ブロックワイズ抽出を実現する逆ブロック源のための2つの新しい量子保護ランダム性抽出器を提案する。
本設計では, 抽出速度が大幅に向上し, 出力データ長もより長くなり, 種長が同じである。
広く使われている量子乱数生成器によって生成された生データに抽出器を適用することで,300ドルGbpsのシミュレーション抽出速度を実現する。
論文 参考訳(メタデータ) (2023-01-20T15:02:37Z) - Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。
実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。
本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-07-13T02:44:05Z) - Few-shot Mining of Naturally Occurring Inputs and Outputs [83.3871936721431]
我々は,100個の小さな種子セットを用いて訓練した教師付き鉱業関数を用いて,大規模コーパスからの入力出力例をマイニングした。
モデル生成データ拡張とは違って,本手法では,複数のタスクを対象としたシードセットのスタイルを模倣するために,自然に発生する高品質な入力出力ペアをマイニングする。
SQuAD型読解では, 採取したデータでシードセットを増強すると, シードセットのみを微調整したBART-largeベースラインよりも13F1の精度が向上した。
論文 参考訳(メタデータ) (2022-05-09T05:40:52Z) - Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。
パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
論文 参考訳(メタデータ) (2022-01-28T12:00:31Z) - Using Convolutional Neural Networks to Detect Compression Algorithms [0.0]
ベースデータセットを使用し、さまざまなアルゴリズムですべてのファイルを圧縮し、それに基づいてモデルを設計します。
使用されるモデルは、圧縮、lzip、bzip2を使用して圧縮されたファイルを正確に識別することができた。
論文 参考訳(メタデータ) (2021-11-17T11:03:16Z) - Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。
最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。
ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文 参考訳(メタデータ) (2020-06-18T08:16:25Z)
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。