会员服务
数学 ·
2021 年 8 月 24 日
Unveiling patterns in xorshift128+ pseudorandom number generators
翻译：xorshift128+伪随机数发电机的不固定模式
Hiroshi Haramoto,Makoto Matsumoto,Mutsuo Saito
Hiroshi Haramoto,Makoto Matsumoto,Mutsuo Saito

Xorshift128+ is a newly proposed pseudorandom number generator (PRNG), which is now the standard PRNG on a number of platforms. We demonstrate that three-dimensional plots of the random points generated by the generator have visible structures: they concentrate on particular planes in the cube. We provide a mathematical analysis of this phenomenon.


翻译：Xorshift128+是一个新提议的假冒数字生成器,现在它已成为若干平台上的标准 PLNG。我们证明,该生成器产生的随机点的三维图块有可见的结构:它们集中在立方体中的特定平面上。我们提供了这一现象的数学分析。
0
下载
关闭预览

相关内容

【干货书】机器学习速查手册，135页pdf
【干货书】机器学习速查手册，135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【KDD2020】现实世界超图的结构模式和生成模型，Structural Patterns and Generative Models of Real-world Hypergraphs
【KDD2020】现实世界超图的结构模式和生成模型，Structural Patterns and Generative Models of Real-world Hypergraphs
专知会员服务
36+阅读 · 2020年6月16日
【干货书】数值计算C编程，319页pdf，Numerical C
【干货书】数值计算C编程，319页pdf，Numerical C
专知会员服务
68+阅读 · 2020年4月7日
社交网络上议题社群的公共焦虑研究， 中国人民大学新闻学院塔娜讲师，第八届全国社会媒体处理大会SMP2019
社交网络上议题社群的公共焦虑研究， 中国人民大学新闻学院塔娜讲师，第八届全国社会媒体处理大会SMP2019
专知会员服务
14+阅读 · 2019年10月23日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
57+阅读 · 2019年10月17日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
82+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
40+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进！cGANs with Projection Discriminator
条件GAN重大改进！cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】GAN架构入门综述(资源汇总)
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Generalizing to Unseen Domains: A Survey on Domain Generalization
Arxiv
30+阅读 · 2021年3月10日
Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy
Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy
Arxiv
42+阅读 · 2020年12月21日
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications
Arxiv
58+阅读 · 2020年1月20日
GraLSP: Graph Neural Networks with Local Structural Patterns
GraLSP: Graph Neural Networks with Local Structural Patterns
Arxiv
4+阅读 · 2019年11月18日
ClusterGAN : Latent Space Clustering in Generative Adversarial Networks
ClusterGAN : Latent Space Clustering in Generative Adversarial Networks
Arxiv
10+阅读 · 2018年9月10日
Large-Scale Learnable Graph Convolutional Networks
Arxiv
3+阅读 · 2018年8月12日
Generating Realistic Geology Conditioned on Physical Measurements with Generative Adversarial Networks
Generating Realistic Geology Conditioned on Physical Measurements with Generative Adversarial Networks
Arxiv
6+阅读 · 2018年7月5日
Self-Attention Generative Adversarial Networks
Arxiv
8+阅读 · 2018年5月21日
Generative Adversarial Autoencoder Networks
Arxiv
11+阅读 · 2018年3月23日
DOTA: A Large-scale Dataset for Object Detection in Aerial Images
Arxiv
19+阅读 · 2018年1月27日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
数学
相关VIP内容
【干货书】机器学习速查手册，135页pdf
【干货书】机器学习速查手册，135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【KDD2020】现实世界超图的结构模式和生成模型，Structural Patterns and Generative Models of Real-world Hypergraphs
【KDD2020】现实世界超图的结构模式和生成模型，Structural Patterns and Generative Models of Real-world Hypergraphs
专知会员服务
36+阅读 · 2020年6月16日
【干货书】数值计算C编程，319页pdf，Numerical C
【干货书】数值计算C编程，319页pdf，Numerical C
专知会员服务
68+阅读 · 2020年4月7日
社交网络上议题社群的公共焦虑研究， 中国人民大学新闻学院塔娜讲师，第八届全国社会媒体处理大会SMP2019
社交网络上议题社群的公共焦虑研究， 中国人民大学新闻学院塔娜讲师，第八届全国社会媒体处理大会SMP2019
专知会员服务
14+阅读 · 2019年10月23日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
57+阅读 · 2019年10月17日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
82+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
40+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进！cGANs with Projection Discriminator
条件GAN重大改进！cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】(Python)SVM数据分类
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】GAN架构入门综述(资源汇总)
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Generalizing to Unseen Domains: A Survey on Domain Generalization
Arxiv
30+阅读 · 2021年3月10日
Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy
Generative Adversarial Networks in Computer Vision: A Survey and Taxonomy
Arxiv
42+阅读 · 2020年12月21日
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications
Arxiv
58+阅读 · 2020年1月20日
GraLSP: Graph Neural Networks with Local Structural Patterns
GraLSP: Graph Neural Networks with Local Structural Patterns
Arxiv
4+阅读 · 2019年11月18日
ClusterGAN : Latent Space Clustering in Generative Adversarial Networks
ClusterGAN : Latent Space Clustering in Generative Adversarial Networks
Arxiv
10+阅读 · 2018年9月10日
Large-Scale Learnable Graph Convolutional Networks
Arxiv
3+阅读 · 2018年8月12日
Generating Realistic Geology Conditioned on Physical Measurements with Generative Adversarial Networks
Generating Realistic Geology Conditioned on Physical Measurements with Generative Adversarial Networks
Arxiv
6+阅读 · 2018年7月5日
Self-Attention Generative Adversarial Networks
Arxiv
8+阅读 · 2018年5月21日
Generative Adversarial Autoencoder Networks
Arxiv
11+阅读 · 2018年3月23日
DOTA: A Large-scale Dataset for Object Detection in Aerial Images
Arxiv
19+阅读 · 2018年1月27日
Top
微信扫码咨询专知VIP会员
Top