非線形生成モデルによるBayes推論:セキュア学習に関するコメント【JST・京大機械翻訳】

Bereyhi Ali; Loureiro Bruno; Krzakala Florent; Mueller Ralf R.; Schulz-Baldes Hermann

プレプリント

J-GLOBAL ID：202202215465211939 整理番号：22P0279146

非線形生成モデルによるBayes推論:セキュア学習に関するコメント【JST・京大機械翻訳】

Bayesian Inference with Nonlinear Generative Models: Comments on Secure Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月19日プレプリントサーバーでの情報更新日： 2022年07月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

古典的線形モデルと異なり,非線形生成モデルは統計的学習の文献においてまばらに取り組まれている。本研究は,これらのモデルとそれらの秘密可能性に注意することを目的とする。この目的のために,その生成モデルが一般的な共分散関数を持つGauss確率場により記述される逆確率問題における漸近正規化交差エントロピーを導出するためにレプリカ法を検討した。この導出は,さらにBayes推定子の漸近統計的デカップリングを実証し,与えられた非線形モデルに対する分離設定を指定した。レプリカ解は,厳密に非線形のモデルが,全-または非-次の相転移を確立することを示した:最適Bayes推定が完全から無相関学習に変化する臨界荷重が存在する。この発見に基づいて,著者らは,ワイヤタップチャネルの秘密容量を達成する新しい安全な符号化方式を設計した。この興味深い結果は,厳密な非線形生成モデルが安全な符号化なしで完全に安全であることを意味する。著者らは,完全に安全で信頼できる推論のための説明モデルの解析を通して,この後者の状態を正当化する。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

統計学 , 人工知能

, , , ,

前のページに戻る