Fugu-MT 論文翻訳(概要): Arbitrary Reduction of Validation Error for AI Decision Tests using Homomorphic AI and Repetition Codes

論文の概要: Arbitrary Reduction of Validation Error for AI Decision Tests using Homomorphic AI and Repetition Codes

arxiv url: http://arxiv.org/abs/2606.28994v1
Date: Sat, 27 Jun 2026 16:10:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:15.754528
Title: Arbitrary Reduction of Validation Error for AI Decision Tests using Homomorphic AI and Repetition Codes
Title（参考訳）: 正則AIと繰り返し符号を用いたAI決定試験における検証誤差の任意化
Abstract要約: 本稿では citefiliol0,sepp で提案した HbHAI 技術 (Hash-based Homomorphic Artificial Intelligence) による新たな成果とブレークスルーを示す。 HbHAIは、ほとんどのAIアルゴリズムが依存している、ほとんどの類似性特性を自然に保存する、キー依存のハッシュ関数の新しいクラスに基づいている。変更することなく、既存のネイティブAIアルゴリズムを使用して、暗号化的にセキュアな形式でデータを分析および処理することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper presents new results and breakthrough obtained with the HbHAI techniques (Hash-based Homomorphic Artificial Intelligence) proposed in \cite{filiol0,sepp}. HbHAI is based on a novel class of key-dependent hash functions that naturally preserve most similarity properties, most AI algorithms rely on. It enables to analyse and process data in its cryptographically secure form while using existing native AI algorithms without modification, with unprecedented performances compared to existing homomorphic encryption schemes and most notably compared to the same processing on corresponding plaintext data. Two major results have been obtained further. First we enable to reduce the compression rate up to a factor of 10 thus allowing to process massive datasets while reducing the computation time and the energy footprint in the same order. Second, we show how it is possible to arbitrarily reduce the final validation error of AI-based decision tests by using repetition error-correcting codes.
Abstract（参考訳）: 本稿では,HbHAI(Hash-based Homomorphic Artificial Intelligence, Hash-based Homomorphic Artificial Intelligence)で得られた新しい結果とブレークスルーについて述べる。 HbHAIは、ほとんどのAIアルゴリズムが依存している、ほとんどの類似性特性を自然に保存する、キー依存のハッシュ関数の新しいクラスに基づいている。改ざんせずに既存のネイティブAIアルゴリズムを使用しながら、暗号化的にセキュアな形式でデータを分析および処理することが可能で、既存の同型暗号化方式と比較して前例のない性能を示し、最も顕著に、対応する平文データの同じ処理と比較することができる。さらに2つの大きな結果が得られた。まず,圧縮速度を最大10倍にすることで,計算時間とエネルギーフットプリントを同じ順序で削減し,大量のデータセットを処理できる。第2に,繰り返し誤り訂正符号を用いてAIに基づく決定テストの最終検証誤差を任意に低減する方法を示す。

関連論文リスト

Efficient Test-Time Inference via Deterministic Exploration of Truncated Decoding Trees [68.04613115686509]
自己整合性は、複数の推論トレースを並列にサンプリングし、投票することで、推論時間のパフォーマンスを向上させる。そこで本研究では,切り落された標本を伐採木として扱う決定論的復号法であるDLE(Distinct Leafion)を提案する。 DLEは高品質な推論トレースを調査し、数学、コーディング、一般的な推論タスクのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2026-04-22T12:42:03Z)
DualHash: A Stochastic Primal-Dual Algorithm with Theoretical Guarantee for Deep Hashing [6.024178662558234]
ディープハッシュの根本的な課題は、コードの生成における量子化の離散性に起因する。本稿では、厳密な境界を提供するDualHashと呼ばれる原始合成ハッシュアルゴリズムを提案する。 3つの画像検索データベースは、DualHashの優れた性能を示している。
論文参考訳（メタデータ） (2025-10-21T01:52:46Z)
Technical Evaluation of a Disruptive Approach in Homomorphic AI [0.0]
我々は、HbHAIとして知られる新しい破壊的な暗号手法を、データセキュリティに提示する。 HbHAIは、ほとんどの類似性特性を自然に保存する、キー依存のハッシュ関数の新しいクラスに基づいている。主要な主張として、HbHAIは暗号化的にセキュアな形式でデータを分析および処理できるようになった。
論文参考訳（メタデータ） (2025-06-13T17:06:34Z)
AIDetx: a compression-based method for identification of machine-learning generated text [0.8411424745913135]
本稿では,データ圧縮技術を用いた機械生成テキストの検出手法であるAIDetxを紹介する。 AIDetxを2つのベンチマークデータセットで評価し,F1スコアはそれぞれ97%,99%であった。大規模言語モデル(LLM)のような現在の手法と比較して、AIDetxはより解釈可能で計算的に効率的なソリューションを提供する。
論文参考訳（メタデータ） (2024-11-29T17:31:42Z)
Provable Scaling Laws for the Test-Time Compute of Large Language Models [84.00141420901038]
本研究では,大規模言語モデルのテスト時間計算において,証明可能なスケーリング法則を享受する2つのアルゴリズムを提案する。 1つは2段階ノックアウト方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。もう1つは2段階のリーグ方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。
論文参考訳（メタデータ） (2024-11-29T05:29:47Z)
Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文参考訳（メタデータ） (2024-10-28T04:47:39Z)
GEC-DePenD: Non-Autoregressive Grammatical Error Correction with Decoupled Permutation and Decoding [52.14832976759585]
文法的誤り訂正(GEC)は、通常自己回帰的なシーケンス・ツー・シーケンスモデルで解決される重要なNLPタスクである。本稿では, アーキテクチャを置換ネットワークに分離する, GEC に対する非自己回帰的アプローチを提案する。 GECの既知の非自己回帰手法よりもネットワークが向上することを示す。
論文参考訳（メタデータ） (2023-11-14T14:24:36Z)
A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文参考訳（メタデータ） (2022-11-16T00:11:04Z)
A new Sparse Auto-encoder based Framework using Grey Wolf Optimizer for Data Classification Problem [0.0]
列車のスパースオートエンコーダにグレーオオカミ最適化(GWO)を適用する。モデルは、いくつかの人気のあるGene式データベースを使用することで検証される。その結果、GWOを用いた学習モデルの性能は、一般的なメタヒューリスティックアルゴリズムで訓練された従来のモデルとモデルの両方で優れていた。
論文参考訳（メタデータ） (2022-01-29T04:28:30Z)
Highly Parallel Autoregressive Entity Linking with Discriminative Correction [51.947280241185]
自己回帰リンクを全ての潜在的な言及に対して並列化する,非常に効率的な手法を提案する。我々のモデルは以前の生成法より70倍高速で精度が高い。
論文参考訳（メタデータ） (2021-09-08T17:28:26Z)
DeepMP for Non-Negative Sparse Decomposition [14.790515227906257]
非負の信号はスパース信号の重要なクラスを形成する。 greedyとconvexの緩和アルゴリズムは、最も人気のある方法のひとつです。このような修正の1つは、Matching Pursuit (MP) ベースのアルゴリズムのために提案されている。
論文参考訳（メタデータ） (2020-07-28T14:52:06Z)
Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and Self-Control Gradient Estimator [62.26981903551382]
バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-05-21T06:11:33Z)

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。