Fugu-MT 論文翻訳(概要): Machine learning for moduli space of genus two curves and an application to post-quantum cryptography

論文の概要: Machine learning for moduli space of genus two curves and an application to post-quantum cryptography

arxiv url: http://arxiv.org/abs/2403.17250v1
Date: Mon, 25 Mar 2024 22:52:50 GMT
ステータス: 処理完了
システム内更新日: 2024-03-27 17:15:36.141701
Title: Machine learning for moduli space of genus two curves and an application to post-quantum cryptography
Title（参考訳）: 種数2曲線のモジュライ空間の機械学習とポスト量子暗号への応用
Authors: Elira Shaska, Tony Shaska,
Abstract要約: 我々は機械学習を用いて、$(n, n)$-split Jacobianを持つ属2曲線のlocus $mathcal L_n$を研究する。このような曲線は同種暗号において重要である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We use machine learning to study the locus ${\mathcal L}_n$ of genus two curves with $(n, n)$-split Jacobian. More precisely we design a transformer model which given values for the Igusa invariants determines if the corresponding genus two curve is in the locus ${\mathcal L}_n$, for $n=2, 3, 5, 7$. Such curves are important in isogeny based cryptography. During this study we discover that there are no rational points ${\mathfrak p} \in {\mathcal L}_n$ with weighted moduli height $\leq 2$ in any of ${\mathcal L}_2$, ${\mathcal L}_3$, and ${\mathcal L}_5$. This extends on previous work of the authors to use machine learning methods to study the moduli space of genus 2 algebraic curves.
Abstract（参考訳）: 我々は機械学習を用いて、$(n, n)$-split Jacobian の属2曲線の軌跡 ${\mathcal L}_n$ を研究する。より正確には、イグサ不変量に対して値を与える変換モデルを設計し、対応する種数 2 の曲線が ${\mathcal L}_n$, for $n=2, 3, 5, 7$ であるかどうかを決定する。このような曲線は同種暗号において重要である。この研究において、有理点 ${\mathfrak p} \in {\mathcal L}_n$ の重み付きモジュライ高さ $\leq 2$ は、${\mathcal L}_2$, ${\mathcal L}_3$, ${\mathcal L}_5$ のいずれにおいても存在しない。これは、機械学習手法を用いて、属 2 代数曲線のモジュライ空間を研究するために、著者の以前の研究を拡張している。

関連論文リスト

Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
論文参考訳（メタデータ） (2024-09-08T13:08:45Z)
Smoothed Analysis for Learning Concepts with Low Intrinsic Dimension [17.485243410774814]
教師付き学習の伝統的なモデルでは、学習者の目標は、あるクラスから最も適した概念の競争的($epsilon$以内)な仮説を出力することである。学習者が最高の無知としか競合しないスムーズな分析フレームワークを導入する。時間内に$k$-halfspacesの交点を前向きに学習する最初のアルゴリズムを得る。
論文参考訳（メタデータ） (2024-07-01T04:58:36Z)
Cramer Type Distances for Learning Gaussian Mixture Models by Gradient Descent [0.0]
今日まで、ガウス混合モデルに適合または学習できる既知のアルゴリズムはほとんどない。一般多変量GMM学習のためのスライスクラマー2距離関数を提案する。これらの機能は、分散強化学習とディープQネットワークに特に有用である。
論文参考訳（メタデータ） (2023-07-13T13:43:02Z)
A duality framework for analyzing random feature and two-layer neural networks [7.400520323325074]
我々は$mathcalF_p,pi$およびBarron空間内の関数の学習問題を考察する。近似と推定の二重同値を確立し、それを用いて先行する関数空間の学習を研究する。
論文参考訳（メタデータ） (2023-05-09T17:41:50Z)
FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。 Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文参考訳（メタデータ） (2022-10-26T00:23:36Z)
An example of use of Variational Methods in Quantum Machine Learning [0.0]
本稿では,平面上の特定の幾何学的パターンの点を二項分類する量子ニューラルネットワークを提案する。その意図は、ポイントを正しく認識し分類できる最小限のトレーニング可能なパラメータを持つ量子ディープニューラルネットワークを作ることであった。
論文参考訳（メタデータ） (2022-08-07T03:52:42Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文参考訳（メタデータ） (2021-07-31T10:25:26Z)
Deep Learning Hamiltonian Monte Carlo [0.6554326244334867]
私たちは、ハミルトンモンテカルロアルゴリズムをニューラルネットワークレイヤーのスタックで一般化します。私たちのモデルは、異なるトポロジのモード間でうまく混在できることを示します。
論文参考訳（メタデータ） (2021-05-07T17:50:18Z)
Robustly Learning any Clusterable Mixture of Gaussians [55.41573600814391]
本研究では,高次元ガウス混合系の対向ロバスト条件下での効率的な学習性について検討する。理論的に最適に近い誤り証明である$tildeO(epsilon)$の情報を、$epsilon$-corrupted $k$-mixtureで学習するアルゴリズムを提供する。我々の主な技術的貢献は、ガウス混合系からの新しい頑健な識別可能性証明クラスターであり、これは正方形の定度証明システムによって捉えることができる。
論文参考訳（メタデータ） (2020-05-13T16:44:12Z)
Neural Bayes: A Generic Parameterization Method for Unsupervised Representation Learning [175.34232468746245]
本稿ではニューラルベイズと呼ばれるパラメータ化手法を提案する。これは一般に計算が難しい統計量の計算を可能にする。このパラメータ化のための2つの独立したユースケースを示す。
論文参考訳（メタデータ） (2020-02-20T22:28:53Z)

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。