Fugu-MT 論文翻訳(概要): NegaBent, No Regrets: Evolving Spectrally Flat Boolean Functions

論文の概要: NegaBent, No Regrets: Evolving Spectrally Flat Boolean Functions

arxiv url: http://arxiv.org/abs/2602.00843v1
Date: Sat, 31 Jan 2026 18:13:03 GMT
ステータス: 情報取得中
システム内更新日: 2026-02-03 13:40:34.17694
Title: NegaBent, No Regrets: Evolving Spectrally Flat Boolean Functions
Title（参考訳）: NegaBent, no Regrets: Evolving Spectrally Flat Boolean Functions
Authors: Claude Carlet, Marko Ðurasevic, Ermes Franch, Domagoj Jakobovic, Luca Mariot, Stjepan Picek,
Abstract要約: 負のブール関数は、ネガ・ハダマール変換の下で平坦な等級スペクトルを持つ。ネガベント関数の進化に進化的アルゴリズムを用いる方法を示す。
参考スコア（独自算出の注目度）: 26.916705791274893
License:
Abstract: Negabent Boolean functions are defined by having a flat magnitude spectrum under the nega-Hadamard transform. They exist in both even and odd dimensions, and the subclass of functions that are simultaneously bent and negabent (bent-negabent) has attracted interest due to the combined optimal periodic and negaperiodic spectral properties. In this work, we investigate how evolutionary algorithms can be used to evolve (bent-)negabent Boolean functions. Our experimental results indicate that evolutionary algorithms, especially genetic programming, are a suitable approach for evolving negabent Boolean functions, and we successfully evolve such functions in all dimensions we consider.
Abstract（参考訳）: 負のブール関数は、ネガ・ハダマール変換の下で平坦な等級スペクトルを持つことで定義される。これらは偶数次元と奇数次元の両方に存在し、同時に曲がった関数と負ネガベント(ベントネガベント)のサブクラスは、最適な周期スペクトルと負周期スペクトルの組合せによって興味を惹かれる。本研究では,進化的アルゴリズムを用いてブール関数を進化させる方法について検討する。実験の結果、進化的アルゴリズム、特に遺伝的プログラミングは、負のブール関数の進化に適したアプローチであり、我々は全ての次元でそのような関数を進化させることに成功した。

関連論文リスト

On Counts and Densities of Homogeneous Bent Functions: An Evolutionary Approach [60.00535100780336]
本稿では, 等質屈曲ブール関数の進化における進化的アルゴリズム(EA)の利用について検討する。等質な曲がり関数の密度の概念を導入し、異なる変数数の2次および3次曲がり関数を見つけるアルゴリズム設計を容易にする。
論文参考訳（メタデータ） (2025-11-16T15:33:40Z)
A Systematic Study on the Design of Odd-Sized Highly Nonlinear Boolean Functions via Evolutionary Algorithms [32.90791284928444]
遺伝的プログラミングは一般的に他の進化的アルゴリズムよりも優れていることを示す。ビットストリングを符号化した対称遺伝的アルゴリズムは、非線形性241で9ドル可変ブール関数を進化させることを示す。
論文参考訳（メタデータ） (2025-04-24T15:35:53Z)
A Systematic Evaluation of Evolving Highly Nonlinear Boolean Functions in Odd Sizes [35.305121158674964]
奇サイズの高非線形ブール関数の進化問題を考察する。最適解を見つけることは、最小のテストサイズを除いて不可能である。非線形性241の9つの入力にブール関数を求める。
論文参考訳（メタデータ） (2024-02-15T13:39:34Z)
Look into the Mirror: Evolving Self-Dual Bent Boolean Functions [35.305121158674964]
本稿では,自己双対屈曲ブール関数の進化を目標とした進化的アルゴリズムを実験する。各次元に対する自己双対曲がり関数の構築に成功した。また, 自己双対屈曲関数の二次構造を進化させる試みを行ったが, 結果は得られなかった。
論文参考訳（メタデータ） (2023-11-20T16:20:16Z)
A New Angle: On Evolving Rotation Symmetric Boolean Functions [32.90791284928444]
本稿では、いくつかの進化的アルゴリズムを用いて、異なる性質を持つ回転対称ブール関数を進化させる。驚いたことに、ビットストリングと浮動小数点エンコーディングはツリーエンコーディングよりもうまく機能している。
論文参考訳（メタデータ） (2023-11-20T16:16:45Z)
Promises and Pitfalls of the Linearized Laplace in Bayesian Optimization [73.80101701431103]
線形化ラプラス近似(LLA)はベイズニューラルネットワークの構築に有効で効率的であることが示されている。ベイズ最適化におけるLLAの有用性について検討し,その性能と柔軟性を強調した。
論文参考訳（メタデータ） (2023-04-17T14:23:43Z)
Exploring Linear Feature Disentanglement For Neural Networks [63.20827189693117]
Sigmoid、ReLU、Tanhなどの非線形活性化関数は、ニューラルネットワーク(NN)において大きな成功を収めた。サンプルの複雑な非線形特性のため、これらの活性化関数の目的は、元の特徴空間から線形分離可能な特徴空間へサンプルを投影することである。この現象は、現在の典型的なNNにおいて、すべての特徴がすべての非線形関数によって変換される必要があるかどうかを探求することに興味をそそる。
論文参考訳（メタデータ） (2022-03-22T13:09:17Z)
Evolving Constructions for Balanced, Highly Nonlinear Boolean Functions [37.84234862910533]
遺伝的プログラミングは、高い非線形性を持つバランスの取れたブール関数をもたらす構造を進化させることができることを示す。以上の結果から,GP はよく一般化される構造,すなわち,複数のテストサイズに必要な関数を見つけることができることがわかった。興味深いことに、GPによって発見された最も単純な解は、よく知られた間接和構成の特別な場合である。
論文参考訳（メタデータ） (2022-02-17T16:33:24Z)
Sequential Subspace Search for Functional Bayesian Optimization Incorporating Experimenter Intuition [63.011641517977644]
本アルゴリズムは,実験者のガウス過程から引き出された一組の引き数で区切られた関数空間の有限次元ランダム部分空間列を生成する。標準ベイズ最適化は各部分空間に適用され、次の部分空間の出発点(オリジン)として用いられる最良の解である。シミュレーションおよび実世界の実験,すなわちブラインド関数マッチング,アルミニウム合金の最適析出強化関数の探索,深層ネットワークの学習速度スケジュール最適化において,本アルゴリズムを検証した。
論文参考訳（メタデータ） (2020-09-08T06:54:11Z)
Space of Functions Computed by Deep-Layered Machines [74.13735716675987]
深層ニューラルネットワークやブール回路を含むランダム層マシンによって計算される関数の空間について検討する。繰り返しおよび層依存アーキテクチャ上で計算されたブール関数の分布を調べた結果、両方のモデルで同じであることが判明した。
論文参考訳（メタデータ） (2020-04-19T18:31:03Z)

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。