論文の概要: Decoding Geometric Properties in Non-Random Data from First Information-Theoretic Principles

• arxiv url: http://arxiv.org/abs/2405.07803v1
• Date: Mon, 13 May 2024 14:45:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 13:15:58.840520
• Title: Decoding Geometric Properties in Non-Random Data from First Information-Theoretic Principles
• Title（参考訳）: 第一情報理論原理による非ランダムデータの幾何学的特性の復号化
• Authors: Hector Zenil, Felipe S. Abrahão,
• Abstract要約: 符号化理論に幅広い応用を施した一変量信号デコンボリューション法を提案する。 任意の受信信号からの多次元空間再構成法は符号化復号方式のvis-a-visであることが証明された。 非ランダムデータを復号化するためのこの最適かつ普遍的な手法は、信号処理、因果分解、位相的および幾何学的性質の符号化、暗号、バイオシグナチャおよびテクノシグネチャ検出に応用できると論じる。
• 参考スコア（独自算出の注目度）: 0.17265013728931003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Based on the principles of information theory, measure theory, and theoretical computer science, we introduce a univariate signal deconvolution method with a wide range of applications to coding theory, particularly in zero-knowledge one-way communication channels, such as in deciphering messages from unknown generating sources about which no prior knowledge is available and to which no return message can be sent. Our multidimensional space reconstruction method from an arbitrary received signal is proven to be agnostic vis-a-vis the encoding-decoding scheme, computation model, programming language, formal theory, the computable (or semi-computable) method of approximation to algorithmic complexity, and any arbitrarily chosen (computable) probability measure of the events. The method derives from the principles of an approach to Artificial General Intelligence capable of building a general-purpose model of models independent of any arbitrarily assumed prior probability distribution. We argue that this optimal and universal method of decoding non-random data has applications to signal processing, causal deconvolution, topological and geometric properties encoding, cryptography, and bio- and technosignature detection.
• Abstract（参考訳）: 情報理論,測度理論,理論計算機科学の原理に基づいて,符号化理論への幅広い応用,特に,事前の知識が得られず,返却メッセージが送信できない未知発生源からのメッセージの解読など,ゼロ知識の一方向通信チャネルにおいて,一変量信号デコンボリューション手法を導入する。 任意の受信信号からの多次元空間再構成法は、符号化・復号方式、計算モデル、プログラミング言語、形式理論、計算可能(あるいは半計算可能)なアルゴリズム複雑性への近似法、任意の選択された事象の確率測度など、無知なvis-a-visであることが証明された。 この方法は、任意の任意に仮定された事前確率分布に依存しないモデルの汎用モデルを構築することができる人工知能へのアプローチの原理から導かれる。 非ランダムデータを復号するこの最適で普遍的な方法は、信号処理、因果分解、トポロジカルおよび幾何学的性質の符号化、暗号、バイオおよびテクノシグナチャ検出に応用できると論じる。

関連論文リスト

• Flow-based generative models as iterative algorithms in probability space [18.701755188870823]
  フローベースの生成モデルは、正確な推定、効率的なサンプリング、決定論的変換を提供する。 本チュートリアルでは,フローベース生成モデルのための直感的な数学的枠組みを提案する。 我々は,信号処理や機械学習にフローベース生成モデルを効果的に適用するために必要なツールを研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-02-19T03:09:18Z)
• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
  パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。 我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
  論文  参考訳（メタデータ） (2024-09-19T01:47:04Z)
• Fuse, Reason and Verify: Geometry Problem Solving with Parsed Clauses from Diagram [78.79651421493058]
  平面幾何学的問題解法 (PGPS) のニューラルネットワークモデルを提案し, モーダル融合, 推論過程, 知識検証の3つの重要なステップについて述べる。 推論のために、幾何学的推論過程を記述するための説明可能な解プログラムを設計し、自己限定デコーダを用いて解プログラムを自動回帰的に生成する。 また, PGPS9Kと呼ばれる大規模幾何学的問題データセットを構築し, テキスト節, 解法プログラム, 関連知識解決器の詳細なアノテーションを含む。
  論文  参考訳（メタデータ） (2024-07-10T02:45:22Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• An Optimal, Universal and Agnostic Decoding Method for Message Reconstruction, Bio and Technosignature Detection [0.14061979259370275]
  本稿では,ゼロ知識の一方向通信チャネルに対する非依存信号再構成手法を提案する。 本研究では,非ランダムメッセージが意図した物理的特性に関する情報をエンコードする方法について検討する。
  論文  参考訳（メタデータ） (2023-03-28T15:20:25Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Understanding the Mapping of Encode Data Through An Implementation of Quantum Topological Analysis [0.7106986689736827]
  複素ヒルベルト空間に埋め込まれたデータのトポロジーを解析することにより,符号化手法の違いを可視化できることを示す。 提案手法は,異なる量子機械学習モデルにおいて慎重に検討する必要があることを示唆する。
  論文  参考訳（メタデータ） (2022-09-21T18:46:08Z)
• Geometric Methods for Sampling, Optimisation, Inference and Adaptive Agents [102.42623636238399]
  我々は,サンプリング,最適化,推論,適応的意思決定といった問題に根ざした基本的な幾何学的構造を同定する。 これらの問題を効率的に解くためにこれらの幾何学的構造を利用するアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-03-20T16:23:17Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Parsimonious Inference [0.0]
  parsimonious inferenceは任意のアーキテクチャ上の推論の情報理論的な定式化である。 提案手法は,効率的な符号化と巧妙なサンプリング戦略を組み合わせて,クロスバリデーションを伴わない予測アンサンブルを構築する。
  論文  参考訳（メタデータ） (2021-03-03T04:13:14Z)

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。