論文の概要: UC, Categorically: Rigorous Diagrammatic Proofs

• arxiv url: http://arxiv.org/abs/2608.04521v1
• Date: Wed, 05 Aug 2026 06:54:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.76581
• Title: UC, Categorically: Rigorous Diagrammatic Proofs
• Title（参考訳）: UC、カテゴリー:厳格なダイアグラムの証明
• Authors: Pooya Farshim, Martti Karvonen, Andre Knispel, Markulf Kohlweiss, Philip Wadler,
• Abstract要約: カテゴリー理論(英: Category theory)は、論理学、計算学、物理学において広く用いられる合成の数学的理論である。 静的なパーティ数とセッション数を持つシステムに対する、CanettiのUniversal Composabilityフレームワークの分類的扱いを提供する。 本稿では,文字列図と呼ばれる標準的な分類手法を適用することで,図形的にも厳密さを保ちながら厳密さを保った結果を示す。
• 参考スコア（独自算出の注目度）: 2.857713591500304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Category theory is a mathematical theory of composition, widely used in logic, computing, and physics. Here we apply it to give a theory of secure composition. In particular, we provide a categorical treatment of Canetti's Universal Composability (UC) framework for systems with a static number of parties and sessions, often termed UC for static systems, yielding four benefits. First, we present our results graphically yet retain rigor by applying a standard categorical technique known as string diagrams. In particular, our formulation of the composition theorem can be graphically verified with a short sequence of diagrams, while remaining translatable to equations and amenable to formal verification. Second, categories let us generalize so that our results extend beyond interactive Turing machines to other forms of computation, such as quantum computation or domain-specific languages. Third, categories help us drop some unnecessary restrictions of UC (e.g., our adversary can be a computational network rather than a single Turing machine); we prove equivalence between our variant and the usual UC, showing no expressiveness is lost. Finally, the categorical perspective leads us to identify and correct some minor technical oversights in the standard formulation of simple UC.
• Abstract（参考訳）: カテゴリー理論(英: Category theory)は、論理学、計算学、物理学において広く用いられる合成の数学的理論である。 ここでは、セキュアな構成の理論を与えるためにこれを適用します。 特に、静的なパーティ数とセッション数を持つシステムに対して、CanettiのUniversal Composability(UC)フレームワークを分類的に扱います。 まず,文字列図と呼ばれる標準的な分類手法を適用することにより,図形的にも厳密性は保たないことを示す。 特に、我々の構成定理の定式化は、図形の短い列で図式的に検証できるが、方程式に変換可能であり、形式的な検証が可能である。 第2に、対話型チューリングマシンから量子計算やドメイン固有言語など、他の計算形式まで、私たちの結果が拡張できるように、カテゴリを一般化します。 第三に、カテゴリはUCのいくつかの不要な制約(例えば、我々の敵は単一のチューリングマシンではなく計算ネットワークになり得る)を下げるのに役立ち、我々の変種と通常のUCの等価性を証明し、表現性が失われることはないことを示す。 最後に、分類学的視点は、単純なUCの標準的な定式化において、いくつかの小さな技術的見地を同定し、修正することにつながる。

関連論文リスト

• String Diagrams for Quantum Foundations, Computing and Natural Language Processing [0.38073142980733005]
  文字列図を用いて量子基礎、計算、自然言語処理の分野のトピックを調査する。 位相符号化を用いた波動論理回路の定式化を行う。 分散構成回路における言語間文法官僚制の排除について検討する。
  論文  参考訳（メタデータ） (2026-05-12T02:11:44Z)
• On Improving Neurosymbolic Learning by Exploiting the Representation Space [54.16389421332958]
  本稿では,入力インスタンスの隠されたゴールドラベルが論理式を満たすニューロシンボリック・セッティングにおけるニューラル分類器の学習問題について検討する。 ひとつの課題は、ラベルの組み合わせの空間が指数関数的に成長し、学習を困難にすることです。 類似の潜在表現を持つインスタンスが同じラベルを共有できるという直感を利用して,この空間を刺激する手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T13:56:47Z)
• A Hybrid System for Systematic Generalization in Simple Arithmetic Problems [70.91780996370326]
  本稿では,記号列に対する合成的および体系的推論を必要とする算術的問題を解くことができるハイブリッドシステムを提案する。 提案システムは,最も単純なケースを含むサブセットでのみ訓練された場合においても,ネストした数式を正確に解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-29T18:35:41Z)
• Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation [50.05281461410368]
  OWL表現の埋め込みを生成するため,順序保存型埋め込み法を提案する。 本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組込み手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-11T22:27:51Z)
• Mathematical Foundations for a Compositional Account of the Bayesian Brain [0.0]
  現代応用圏論のツールを用いて、近似推論のための関手意味論を提供する。 統計ゲームのフィブレーションを定義し、統計的推論の様々な問題を対応する部分として分類する。 我々は,自由エネルギー原理の下で,予測符号化ニューラルネットワークの構成構造を説明する関手を構築した。
  論文  参考訳（メタデータ） (2022-12-23T18:58:17Z)
• Equivariance with Learned Canonicalization Functions [77.32483958400282]
  正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。 実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2022-11-11T21:58:15Z)
• Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
  フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。 我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
  論文  参考訳（メタデータ） (2021-10-07T11:05:23Z)
• Can We Learn Heuristics For Graphical Model Inference Using Reinforcement Learning? [114.24881214319048]
  我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。 本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
  論文  参考訳（メタデータ） (2020-04-27T19:24:04Z)
• Tensor Network Rewriting Strategies for Satisfiability and Counting [0.0]
  #SATのインスタンスは、標準的な方法でテンソルネットワークとして表現できる。 3SAT や #P-complete のようなNP完全であることが知られているクラス、例えば #2SAT では、対応する書き換え規則がダイアグラムにハイパーエッジを導入している。
  論文  参考訳（メタデータ） (2020-04-14T12:50:51Z)

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。