加法準同型暗号をさらっと理解する｜tesso57
加法準同型暗号をさらっと理解していきます 1. そもそも加法準同型暗号とは？？ 加法準同型暗号とは、暗号文のまま演算すると、平文を足し算してから暗号化したものと同じになる暗号です！ ここでの演算は何でもよいです。つまりは、暗号文のみで平文の足し算ができればいいのです。暗号化したまんま足し算ができるので便利ってわけです。 ※ちなみに掛け算が成り立つ乗法準同型暗号も存在します。詳しくは、準同型暗号をさらっと理解する。 暗号文のまま演算ができると、クライアントから送られたデータを安全に何らかの処理を施すことができます。秘匿化ブロックチェーンや機械学習、クラウドサービスなんかに応用されています。 加法準同型暗号は、乗法準同型暗号よりも複雑です。また、重大なデメリットがあります。加法準同型暗号の一つであるmodified-ElGamal暗号を使って、暗号文のまま足し算ができることを確認しましょう！
述語項構造シソーラス (岡山大学竹内研)
述語項構造シソーラス (Predicate-Argument Structure Thesaurus (PT)) 自然言語処理を行うための述語の項構造データ(意味役割と概念フレーム)を作成しています． 述語項構造シソーラスのデータはこちらからどうぞ(2020/July更新) Search frames and roles in Predicate-Argument Structure Thesaurus データの見方はこちらの図を参考にして下さい． 述語項構造シソーラスのdownload 上記のシソーラスは動詞のみ作成していた旧シソーラス動詞項構造シソーラスに形容詞，形容動詞を加えて，さらに動詞も追加しました．全体の概念体系も一部変えて，意味役割も整理し直しました(2015/1)． 国語研が作成した日本語書き言葉コーパスBCCWJに意味役割と語義概念を付与しています(BCCWJ-PT0.9
わかりやすいPyTorch入門①（学習と評価）
マーケティングテクノロジーの情報やノウハウ・TIPS、エクスチュア社の情報を発信。【ブログネタ募集】ご興味のある分野を教えてください！ご要望の内容を記事に起こします！メニューの「ブログへの」リクエストよりお送りください。 menu
(数式を使わない) Transformer の直感的な説明 / 真面目なプログラマのためのディープラーニング入門
(数式を使わない) Transformer の直感的な説明 RNN の欠点 Transformer はこれをどう解決したか Transformer の動作原理 複数の要素間の関係を考慮する (Self-Attention、自己注意) 要素の順序を考慮する (Positional Encoding、位置エンコーディング) まとめ 概要: ChatGPT などで使われている Transformer モデルは、 ニューラルネットワークの世界にいくつかの革新的なアイデアをもたらした。 本記事では、プログラマに理解しやすい形でそれらのアイデアを解説する。 実際に使われている数学の詳細には触れない。 (技術的解説については元論文 Attention is All You Need か、 その注釈版である The Annotated Transformer を参照のこと。 日本語では この解説 がわかり
Spark NLPでTransformerモデルをスケールする - GMOインターネットグループ グループ研究開発本部
こんにちは、T.Y.です。並列分散処理のフレームワークであるSpark上で自然言語処理（Natural Language Processing, NLP）の様々なタスクを行いたい、特に、BERTやGPTなどのTransformerモデルの学習や推論を試したいという動機のもとでSpark NLPについて調べた内容をこちらのブログで解説します。環境構築の過程でSparkからGPUを使用するための手順や、SparkとGPUを利用する他の機械学習フレームワークについても紹介したいと思います。 目次 Summary クラスタ構成 Spark Rapids XGBoost4j-Spark-GPU Spark NLP ChatGPTとテストしてみる Fine-tuningについて Sample Model Spark NLP Displayによる可視化 Synapse ML 最後に 1. Summary
単回帰分析と重回帰分析 — ディープラーニング入門：Chainer チュートリアル
単回帰分析と重回帰分析¶ 本章では、基礎的な機械学習手法として代表的な単回帰分析と重回帰分析の仕組みを、数式を用いて説明します。 また次章では、本章で紹介した数式を Python によるプログラミングで実装する例も紹介します。本章と次章を通じて、数学とプログラミングの結びつきを体験して理解することができます。 本チュートリアルの主題であるディープラーニングの前に、単回帰分析と重回帰分析を紹介することには 2 つの理由があります。 1 つ目は、単回帰分析と重回帰分析の数学がニューラルネットワーク含めたディープラーニングの数学の基礎となるためです。 2 つ目は、単回帰分析のアルゴリズムを通して微分、重回帰分析のアルゴリズムを通して線形代数に関する理解を深めることができるためです。 機械学習手法は、教師あり学習 (supervised learning) 、教師なし学習 (unsupervise
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
コンパイラ自身をコンパイルされる言語自体で書ける仕組みがよくわかりません。コンパイラ内のコードは何によって解釈されるのですか？それを解するコンパイラがまた存在する再帰構造になる気がするのですが。