論文の概要: Knowledge is Overrated: A zero-knowledge machine learning and cryptographic hashing-based framework for verifiable, low latency inference at the LHC

• arxiv url: http://arxiv.org/abs/2511.12592v1
• Date: Sun, 16 Nov 2025 13:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.396224
• Title: Knowledge is Overrated: A zero-knowledge machine learning and cryptographic hashing-based framework for verifiable, low latency inference at the LHC
• Title（参考訳）: 知識の過大評価 - LHCで検証された低レイテンシ推論のためのゼロ知識機械学習と暗号ハッシュベースのフレームワーク
• Authors: Pratik Jawahar, Caterina Doglioni, Maurizio Pierini,
• Abstract要約: 低レイテンシイベント選択(トリガー)アルゴリズムは、LHC(Large Hadron Collider)操作の必須コンポーネントである。 現代の機械学習(ML)モデルは、分類器として優れたオフラインパフォーマンスを示している。 このような大きなモデルに対する推論は、LHCにおける40textMHz$オンライン遅延制約を満たさない。
• 参考スコア（独自算出の注目度）: 0.6825664914747622
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Low latency event-selection (trigger) algorithms are essential components of Large Hadron Collider (LHC) operation. Modern machine learning (ML) models have shown great offline performance as classifiers and could improve trigger performance, thereby improving downstream physics analyses. However, inference on such large models does not satisfy the $40\text{MHz}$ online latency constraint at the LHC. In this work, we propose \texttt{PHAZE}, a novel framework built on cryptographic techniques like hashing and zero-knowledge machine learning (zkML) to achieve low latency inference, via a certifiable, early-exit mechanism from an arbitrarily large baseline model. We lay the foundations for such a framework to achieve nanosecond-order latency and discuss its inherent advantages, such as built-in anomaly detection, within the scope of LHC triggers, as well as its potential to enable a dynamic low-level trigger in the future.
• Abstract（参考訳）: 低レイテンシイベント選択(トリガー)アルゴリズムは、LHC(Large Hadron Collider)操作の必須コンポーネントである。 現代の機械学習(ML)モデルは、分類器として優れたオフライン性能を示し、トリガー性能を改善し、ダウンストリーム物理解析を改善することができる。 しかし、そのような大きなモデルに対する推論は、LHCのオンライン遅延制約である$40\text{MHz}を満足しない。 本研究では,ハッシュやゼロ知識機械学習(zkML)などの暗号技術に基づく新しいフレームワークである‘texttt{PHAZE} を提案し,任意の大規模なベースラインモデルから,低レイテンシ推論を実現する。 我々は,ナノ秒遅延を実現するためのフレームワークの基礎を築き,LHCトリガの範囲内で,組込み異常検出などの固有の利点や,将来的には動的低レベルトリガの実現の可能性について論じる。

関連論文リスト

• Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
  テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。 本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。 拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
  論文  参考訳（メタデータ） (2025-08-13T17:33:37Z)
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
  我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-10T17:15:49Z)
• A New Perspective on Time Series Anomaly Detection: Faster Patch-based Broad Learning System [59.38402187365612]
  時系列異常検出(TSAD)は近年,学術と産業の両方においてホットスポットとなっている。 TSADでは、ディープラーニングの速度が遅いなどの制限のため、ディープラーニングは必須ではない。 コントラスト型パッチベースブロードラーニングシステム(CBLS)を提案する。
  論文  参考訳（メタデータ） (2024-12-07T01:58:18Z)
• Quantum Rationale-Aware Graph Contrastive Learning for Jet Discrimination [2.140851466387413]
  高エネルギー物理学において、粒子ジェットタグはクォークとグルーオンジェットを区別する重要な役割を担っている。 既存の対照的な学習フレームワークは、合理的な拡張を効果的に活用するために苦労している。 提案したQuantum Rationale-aware Graph Contrastive Learningフレームワークに量子合理生成器を統合することにより,ジェットの識別性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-03T17:36:05Z)
• Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation [67.63756749551924]
  学習ベースのニューラルネットワーク(NN)制御ポリシは、ロボット工学と制御の幅広いタスクにおいて、印象的な経験的パフォーマンスを示している。 非線形力学系を持つNNコントローラのトラクション領域(ROA)に対するリアプノフ安定性の保証は困難である。 我々は、高速な経験的ファルシフィケーションと戦略的正則化を用いて、Lyapunov証明書とともにNNコントローラを学習するための新しいフレームワークを実証する。
  論文  参考訳（メタデータ） (2024-04-11T17:49:15Z)
• On-Device Learning with Binary Neural Networks [2.7040098749051635]
  我々は、最近のCL分野の進歩とBNN(Binary Neural Networks)の効率を取り入れたCLソリューションを提案する。 バックボーンとしてのバイナリネットワークの選択は、低消費電力デバイスの制約を満たすために不可欠である。
  論文  参考訳（メタデータ） (2023-08-29T13:48:35Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)

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。