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

論文の概要: Machine learning for moduli space of genus two curves and an application to isogeny based cryptography

arxiv url: http://arxiv.org/abs/2403.17250v2
Date: Thu, 15 Aug 2024 10:48:05 GMT
ステータス: 翻訳完了
システム内更新日: 2024-08-16 18:41:00.742874
Title: Machine learning for moduli space of genus two curves and an application to isogeny based cryptography
Title（参考訳）: 属2曲線のモジュライ空間の機械学習と等質暗号への応用
Authors: Elira Shaska, Tony Shaska,
Abstract要約: 小さい重み付き高さと$(n, n)$-split Jacobian for $n=2, 3, 5$ の有理モジュライ点が非常に少ないことを示す。 K-Neighborsを使って99.9%の精度でスプリットを検出することができる。このことは、人工ニューラルネットワークと機械学習技術が、属2曲線のモジュライ空間における算術的問題にかなり信頼できることを示している。
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 moduli space of genus two curves and more specifically distribution of fine moduli points and detecting if a genus two curve has $(n, n)$-split Jacobian. We show that there are very few rational moduli points with small weighted height and $(n, n)$-split Jacobian for $n=2, 3, 5$. Moreover, using a K-Neighbors Classifier we are able to detect splitting with an accuracy of 99.9\%. This shows that artificial neural networks and machine learning techniques could be quite reliable on arithmetic questions in the moduli space of genus two curves and can possibly be used to applications in isogeny based cryptography.
Abstract（参考訳）: 機械学習を用いて、属2曲線のモジュライ空間とより具体的には細いモジュライ点の分布を研究し、属2曲線が$(n, n)$-スプリットヤコビアンを持つかどうかを検出する。小さい重み付き高さと$(n, n)$-split Jacobian for $n=2, 3, 5$ の有理モジュライ点が非常に少ないことを示す。さらに、K-Neighbors分類器を使用して、99.9\%の精度で分割を検出することができる。これは、人工ニューラルネットワークと機械学習技術が、属2曲線のモジュライ空間における算術的問題にかなり信頼でき、等質暗号の応用に使用できることを示している。

関連論文リスト

Machine Learning Toric Duality in Brane Tilings [0.0]
4d$mathcalN=1$量子場理論におけるセイベルグ双対性の研究に様々な機械学習手法を適用する。複雑な赤外双対性のネットワークはそのような理論の空間を相互接続し、それを普遍性類に分割する。我々は、conifold の $mathbbZ_mtimesmathbbZ_n$ orbifold で実現されたセイベルグ双対理論のクラスを特定するために、完全に連結されたニューラルネットワークを訓練する。
論文参考訳（メタデータ） (2024-09-23T17:48:14Z)
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)
Equivalence Between SE(3) Equivariant Networks via Steerable Kernels and Group Convolution [90.67482899242093]
近年, 入力の回転と変換において等価な3次元データに対して, ニューラルネットワークを設計するための幅広い手法が提案されている。両手法とその等価性を詳細に解析し,その2つの構成をマルチビュー畳み込みネットワークに関連付ける。また、同値原理から新しいTFN非線形性を導出し、実用的なベンチマークデータセット上でテストする。
論文参考訳（メタデータ） (2022-11-29T03:42:11Z)
Machine Learned Calabi-Yau Metrics and Curvature [0.0]
リッチ・フラット(カラビ・ヤウ)計量の発見は、弦理論や現象学に深い意味を持つ幾何学における長期的問題である。この問題に対する新たな攻撃は、ニューラルネットワークを使用して、与えられたK"ahlerクラス内のカラビ・ヤウ計量への近似を工学する。
論文参考訳（メタデータ） (2022-11-17T18:59:03Z)
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)
Heterotic String Model Building with Monad Bundles and Reinforcement Learning [0.0]
モナド束を持つカラビ・ヤウ3次元多様体上の異方性SO GUTモデルについて検討した。モナド束の探索には強化学習が有効であることを示す。
論文参考訳（メタデータ） (2021-08-16T19:04:19Z)
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)
NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文参考訳（メタデータ） (2021-06-17T12:25:44Z)
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)
Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文参考訳（メタデータ） (2020-10-23T14:49:02Z)
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)
PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文参考訳（メタデータ） (2020-02-24T14:13:29Z)
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)
Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文参考訳（メタデータ） (2020-02-20T10:50:58Z)

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。