Fugu-MT 論文翻訳(概要): Semantic Security with Unreliable Entanglement Assistance: Interception and Loss

論文の概要: Semantic Security with Unreliable Entanglement Assistance: Interception and Loss

arxiv url: http://arxiv.org/abs/2404.12880v2
Date: Wed, 27 Nov 2024 14:16:54 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-28 15:22:37.030828
Title: Semantic Security with Unreliable Entanglement Assistance: Interception and Loss
Title（参考訳）: 信頼できない絡み合い支援によるセマンティックセキュリティ:知覚と損失
Authors: Meir Lederman, Uzi Pereg,
Abstract要約: 信頼できない絡み合い支援のための2つのモデルを検討する。最初のモデルでは、Eveは絡み合うリソースをインターセプトすることができる。第2のモデルでは、イヴは受動的であり、リソースは彼女の手の届かない環境に散逸する可能性がある。
参考スコア（独自算出の注目度）: 16.025002076222002
License:
Abstract: Semantic security is considered with unreliable entanglement assistance, due to one of two reasons: Interception or loss. We consider two corresponding models. In the first model, Eve may intercept the entanglement resource. In the second model, Eve is passive, and the resource may dissipate to the environment beyond her reach. We derive achievable rates for both models, subject to a maximal error criterion and semantic security. As an example, we consider the amplitude damping channel. Under interception, time division is not necessarily possible, and the boundary of our achievable region is disconnected. In the passive model, our rate region outperforms time division.
Abstract（参考訳）: セマンティック・セキュリティは、インターセプションまたはロスの2つの理由の1つとして、信頼できない絡み合いの支援によって考慮されている。対応する2つのモデルを考える。最初のモデルでは、Eveは絡み合うリソースをインターセプトすることができる。第2のモデルでは、イヴは受動的であり、リソースは彼女の手の届かない環境に散逸する可能性がある。我々は、最大誤差基準とセマンティックセキュリティに基づいて、両方のモデルに対して達成可能なレートを導出する。例として振幅減衰チャネルについて考察する。インターセプションの下では、時間分割は必ずしも不可能であり、達成可能な領域の境界は切断される。受動的モデルでは、我々のレート領域は時間分割よりも優れています。

関連論文リスト

DRIVE: Dual-Robustness via Information Variability and Entropic Consistency in Source-Free Unsupervised Domain Adaptation [10.127634263641877]
ラベル付きデータなしで機械学習モデルを新しいドメインに適応させることは、医療画像、自律運転、リモートセンシングといったアプリケーションにおいて重要な課題である。 Source-Free Unsupervised Domain Adaptation (SFUDA)と呼ばれるこのタスクでは、未ラベルのターゲットデータのみを使用して、トレーニング済みのモデルをターゲットドメインに適応させる。既存のSFUDAメソッドは、しばしば単一モデルアーキテクチャに依存し、ターゲットドメインにおける不確実性と可変性に悩まされる。本稿では、2重モデルアーキテクチャを利用した新しいSFUDAフレームワークDRIVEを提案する。
論文参考訳（メタデータ） (2024-11-24T20:35:04Z)
Navigating the OverKill in Large Language Models [84.62340510027042]
モデルがどのように処理し,クエリの安全性を判断するかを検討することで,過剰スキルの要因について検討する。以上の結果から,モデル内にショートカットが存在することが明らかとなり,"キル"のような有害な単語が過剰に認識され,安全性が強調され,過度なスキルが増すことが示唆された。我々は、この現象を緩和するために、トレーニングフリーでモデルに依存しないセルフコントラストデコーディング(Self-Contrastive Decoding、CD)を導入する。
論文参考訳（メタデータ） (2024-01-31T07:26:47Z)
Mitigating Nonlinear Algorithmic Bias in Binary Classification [0.0]
本稿では,保護属性の非線形なバイアスの検出と緩和に因果モデリングを用いることを提案する。若年者では「低リスク」と正しく分類される可能性が低いことを示す。適応因果モデルに基づいて、偏り確率推定を計算し、全体の精度にほとんど影響を与えずに、公正性の向上を示す。
論文参考訳（メタデータ） (2023-12-09T01:26:22Z)
Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文参考訳（メタデータ） (2023-06-01T10:51:58Z)
Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文参考訳（メタデータ） (2022-12-07T14:53:47Z)
Towards Improving Faithfulness in Abstractive Summarization [37.19777407790153]
本稿では,抽象的な要約における忠実度を改善するために,FES(Fithfulness Enhanced Summarization Model)を提案する。我々のモデルはCNN/DMとXSumの実験において強いベースラインを上回ります。
論文参考訳（メタデータ） (2022-10-04T19:52:09Z)
Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文参考訳（メタデータ） (2022-09-22T04:32:51Z)
RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
論文参考訳（メタデータ） (2022-07-12T19:34:47Z)
Anomaly-Aware Semantic Segmentation by Leveraging Synthetic-Unknown Data [19.80173687261055]
自律運転のような安全クリティカルな応用には異常認識が不可欠である。本稿では,異常認識型セマンティックセマンティック・セマンティック・タスクに対処する新しい合成未知データ生成手法を提案する。 2つの異常セグメンテーションデータセットの最先端性能に到達する。
論文参考訳（メタデータ） (2021-11-29T06:24:50Z)
Learning-'N-Flying: A Learning-based, Decentralized Mission Aware UAS Collision Avoidance Scheme [0.0]
Learning-'N-Flying (LNF) はマルチUAS衝突回避(CA)フレームワークである。分散化され、オンザフライで動作し、異なるオペレータが管理する自律uasが複雑なミッションを安全に実行できるようにする。提案手法はオンライン(数ミリ秒単位の計算時間)で動作可能であり,特定の仮定下では,最悪の場合,1%未満の障害率であることを示す。
論文参考訳（メタデータ） (2021-01-25T20:38:17Z)
A Weaker Faithfulness Assumption based on Triple Interactions [89.59955143854556]
より弱い仮定として, 2$-adjacency faithfulness を提案します。より弱い仮定の下で適用可能な因果発見のための音方向規則を提案する。
論文参考訳（メタデータ） (2020-10-27T13:04:08Z)

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。