Fugu-MT 論文翻訳(概要): The SQInstructor: a guide to SQIsign and the Deuring Correspondence with level structures

論文の概要: The SQInstructor: a guide to SQIsign and the Deuring Correspondence with level structures

arxiv url: http://arxiv.org/abs/2603.09899v1
Date: Tue, 10 Mar 2026 16:53:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-11 15:25:24.476547
Title: The SQInstructor: a guide to SQIsign and the Deuring Correspondence with level structures
Title（参考訳）: SQインストラクタ:SQIsignのガイドとレベル構造対応
Authors: Giacomo Borin, Luca De Feo, Guido Maria Lido, Sina Schaeffler,
Abstract要約: 公開鍵とコミットメントを考えると、それらの間に同義性を示すことが課題である。そして、そのフレームワークを1次元および2次元の同種を用いてインスタンス化する。
参考スコア（独自算出の注目度）: 1.9132624817489867
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We explore the use of level structures to generalize the SQIsign signature scheme. We give a general framework where, given the public key and the commitment, the challenge is to exhibit an isogeny between them with an additional requirement, namely to map a chosen level structure to another. We then instantiate the framework using 1-dimensional and 2-dimensional isogenies. In doing that we provide a new explicit Deuring correspondence for supersingular elliptic curves with level structures and solve new constrained norm equations.
Abstract（参考訳）: 我々は、SQIsignシグネチャスキームを一般化するためのレベル構造の利用について検討する。公開鍵とコミットメントを考慮に入れた一般的な枠組みとして,選択されたレベル構造を別のレベル構造にマッピングするという,それら間の同種性を示すことが課題である。そして、そのフレームワークを1次元および2次元の同種を用いてインスタンス化する。その際、次数構造を持つ超特異楕円曲線に対する新しい明示的なDeuring対応を提供し、新しい制約付きノルム方程式を解く。

関連論文リスト

Towards Multiscale Graph-based Protein Learning with Geometric Secondary Structural Motifs [10.433254687685038]
タンパク質構造を学習するための強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。本稿では,タンパク質に合わせたマルチスケールグラフベースの効率的な学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-01-31T18:50:24Z)
Light-SQ: Structure-aware Shape Abstraction with Superquadrics for Generated Meshes [60.92139345612904]
我々は、新しいスーパークワッドリックベースの最適化フレームワークLight-SQを提案する。本稿では,構造対応ボリューム分解によるブロック再配置戦略を提案する。実験によると、Light-SQはスーパークワッドリックで効率よく、高忠実で、編集可能な形状の抽象化を可能にする。
論文参考訳（メタデータ） (2025-09-29T16:18:32Z)
StructInbet: Integrating Explicit Structural Guidance into Inbetween Frame Generation [3.528466385159056]
本稿では,明示的な構造誘導による制御可能なトランジションを生成するためのインベッシングシステムであるStructInbetを提案する。我々は、前回と後回の両方から視覚的アイデンティティを取り入れた時間的注意機構を採用し、キャラクタの外観の整合性を確保する。
論文参考訳（メタデータ） (2025-07-15T01:01:29Z)
Composing Reinforcement Learning Policies, with Formal Guarantees [15.690880632229202]
本研究では,2段階構造を持つ環境における設計を制御するための新しいフレームワークを提案する。このフレームワークは、低レベルのタスクと高レベルのタスクに異なる設計テクニックを使用することによって、懸念を分離する。
論文参考訳（メタデータ） (2024-02-21T13:10:58Z)
Inducing Systematicity in Transformers by Attending to Structurally Quantized Embeddings [60.698130703909804]
トランスフォーマーは、複雑なデータセットでトレーニングされた後、構造と実体の新規な構成に一般化する。本稿では,SQ-Transformerを提案する。 SQ-Transformerは,複数の低複雑さ意味解析および機械翻訳データセット上で,バニラ変換器よりも強い構成一般化を実現することを示す。
論文参考訳（メタデータ） (2024-02-09T15:53:15Z)
Compositional Generalisation with Structured Reordering and Fertility Layers [121.37328648951993]
Seq2seqモデルは構成一般化に苦しむことが示されている。本稿では、2つの構造演算を構成するフレキシブルなエンドツーエンドの微分可能なニューラルモデルを提案する。
論文参考訳（メタデータ） (2022-10-06T19:51:31Z)
Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
論文参考訳（メタデータ） (2021-12-03T06:41:19Z)
Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。 Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文参考訳（メタデータ） (2021-06-24T14:34:24Z)
Iterated learning for emergent systematicity in VQA [3.977144385787228]
ニューラルモジュールネットワークは構成性に対するアーキテクチャ上のバイアスを持っている。レイアウトとモジュールを共同学習する場合、構成性は自動的に発生せず、適切な構造を示すレイアウトの出現には明示的な圧力が必要です。本研究では,自然における構成言語の出現に関する認知科学理論である反復学習を用いてこの問題に対処することを提案する。
論文参考訳（メタデータ） (2021-05-03T18:44:06Z)
Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
論文参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。