Fugu-MT 論文翻訳(概要): Local Approximation of Secrecy Capacity

論文の概要: Local Approximation of Secrecy Capacity

arxiv url: http://arxiv.org/abs/2403.13345v1
Date: Wed, 20 Mar 2024 07:07:13 GMT
ステータス: 処理完了
システム内更新日: 2024-03-21 17:48:13.135855
Title: Local Approximation of Secrecy Capacity
Title（参考訳）: 秘密容量の局所近似
Authors: Emmanouil M. Athanasakos, Nicholas Kalouptsidis, Hariprasad Manjunath,
Abstract要約: 圧縮速度と秘密保持制約を考慮した少量の情報を効率よく送信するシナリオについて検討する。情報理論問題を線形代数問題に変換し、秘密性が達成可能な摂動確率分布を得る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper uses Euclidean Information Theory (EIT) to analyze the wiretap channel. We investigate a scenario of efficiently transmitting a small amount of information subject to compression rate and secrecy constraints. We transform the information-theoretic problem into a linear algebra problem and obtain the perturbed probability distributions such that secrecy is achievable. Local approximations are being used in order to obtain an estimate of the secrecy capacity by solving a generalized eigenvalue problem.
Abstract（参考訳）: 本稿では、Euclidean Information Theory (EIT) を用いて、ワイヤタップチャネルを解析する。圧縮速度と秘密保持制約を考慮した少量の情報を効率よく送信するシナリオについて検討する。情報理論問題を線形代数問題に変換し、秘密性が達成可能な摂動確率分布を得る。一般化固有値問題の解法により秘密容量の推定値を得るために局所近似が用いられている。

関連論文リスト

Reverse em-problem based on Bregman divergence and its application to classical and quantum information theory [53.64687146666141]
近年,反復を必要とせずにチャネル容量を計算できる解析手法が提案されている。トヨタが提案した逆のEm-problemに注意を向けます。逆の Em-problem の非定型式を導出する。
論文参考訳（メタデータ） (2024-03-14T10:20:28Z)
Information Theoretical Importance Sampling Clustering [18.248246885248733]
多くのクラスタリング手法の現在の仮定は、トレーニングデータと将来のデータが同じ分布から取られるというものである。我々は,クラスタリング問題(itisC)に対する情報理論的重要度サンプリングに基づくアプローチを提案する。合成データセットの実験結果と実世界の負荷予測問題により,提案モデルの有効性が検証された。
論文参考訳（メタデータ） (2023-02-09T03:18:53Z)
STEERING: Stein Information Directed Exploration for Model-Based Reinforcement Learning [111.75423966239092]
遷移モデルの現在の推定値と未知の最適値との間の積分確率距離(IPM)の観点から探索インセンティブを提案する。 KSDに基づく新しいアルゴリズムを開発した。 textbfSTEin information dirtextbfEcted Explor for model-based textbfReinforcement Learntextbfing。
論文参考訳（メタデータ） (2023-01-28T00:49:28Z)
On the Generalization for Transfer Learning: An Information-Theoretic Analysis [8.102199960821165]
一般化誤差と転帰学習アルゴリズムの過大なリスクを情報理論で解析する。我々の結果は、おそらく予想通り、Kulback-Leibler divergenceD(mu|mu')$がキャラクタリゼーションにおいて重要な役割を果たすことを示唆している。次に、$phi$-divergence や Wasserstein 距離といった他の発散点と結びついた相互情報を一般化する。
論文参考訳（メタデータ） (2022-07-12T08:20:41Z)
On Leave-One-Out Conditional Mutual Information For Generalization [122.2734338600665]
残余条件付き相互情報(loo-CMI)の新しい尺度に基づく教師付き学習アルゴリズムのための情報理論の一般化境界を導出する。他のCMI境界とは対照的に、我々のloo-CMI境界は容易に計算でき、古典的なout-out-out-cross-validationのような他の概念と関連して解釈できる。ディープラーニングのシナリオにおいて予測された一般化ギャップを評価することにより,境界の質を実証的に検証する。
論文参考訳（メタデータ） (2022-07-01T17:58:29Z)
A Bayesian Framework for Information-Theoretic Probing [51.98576673620385]
我々は、探索は相互情報を近似するものとみなすべきであると論じる。これは、表現が元の文とターゲットタスクに関する全く同じ情報をエンコードしているというかなり直感的な結論を導いた。本稿では,ベイズ的相互情報(Bayesian mutual information)と呼ぶものを測定するための新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-09-08T18:08:36Z)
Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文参考訳（メタデータ） (2021-07-05T18:30:26Z)
On the Relevance-Complexity Region of Scalable Information Bottleneck [15.314757778110955]
本稿では,エンコーダが観測の複数の記述を出力する,スケーラブルな情報ボトルネックと呼ばれる問題のバリエーションについて検討する。問題の動機は、一般化の許容レベルに応じて様々なレベルの精度を必要とする、いくつかのアプリケーションシナリオにある。
論文参考訳（メタデータ） (2020-11-02T22:25:28Z)
Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
論文参考訳（メタデータ） (2020-06-16T15:07:25Z)
Generalization Bounds via Information Density and Conditional Information Density [14.147617330278662]
本稿では,指数関数的不等式に基づいてランダム化学習アルゴリズムの一般化誤差を導出する一般手法を提案する。 PAC-Bayesian と Single-draw の両方のシナリオに対して、平均一般化誤差のバウンダリと、そのテール確率のバウンダリを提供する。
論文参考訳（メタデータ） (2020-05-16T17:04:24Z)
Generalization Error Bounds via $m$th Central Moments of the Information Density [14.147617330278662]
本稿では,ランダム化学習アルゴリズムの一般化誤差に対するバウンダリを導出する一般手法を提案する。我々の手法は、平均一般化誤差の有界値と、その尾の確率の有界値を得るのに利用できる。
論文参考訳（メタデータ） (2020-04-20T09:23:49Z)

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。