論文の概要: Accurate BGV Parameters Selection: Accounting for Secret and Public Key Dependencies in Average-Case Analysis

• arxiv url: http://arxiv.org/abs/2504.18597v1
• Date: Thu, 24 Apr 2025 16:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.904239
• Title: Accurate BGV Parameters Selection: Accounting for Secret and Public Key Dependencies in Average-Case Analysis
• Title（参考訳）: 正確なBGVパラメータの選択:平均値解析における秘密および公開鍵依存性の会計
• Authors: Beatrice Biasioli, Chiara Marcolla, Nadir Murru, Matilda Urani,
• Abstract要約: Brakerski-Gentry-Vaikuntanathan(BGV)方式は、FHE方式の中でも最も重要なものである。 本研究では,実験結果と密接に一致して,雑音の生長を推定する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Brakerski-Gentry-Vaikuntanathan (BGV) scheme is one of the most significant fully homomorphic encryption (FHE) schemes. It belongs to a class of FHE schemes whose security is based on the presumed intractability of the Learning with Errors (LWE) problem and its ring variant (RLWE). Such schemes deal with a quantity, called noise, which increases each time a homomorphic operation is performed. Specifically, in order for the scheme to work properly, it is essential that the noise remains below a certain threshold throughout the process. For BGV, this threshold strictly depends on the ciphertext modulus, which is one of the initial parameters whose selection heavily affects both the efficiency and security of the scheme. In this paper, we provide a new method to estimate noise growth, closely aligning with experimental results and forming the basis for parameter selection that ensures correctness and improves efficiency.
• Abstract（参考訳）: Brakerski-Gentry-Vaikuntanathan(BGV)方式は、FHE方式の中でも最も重要なものである。 セキュリティが推定されるLearning with Errors(LWE)問題とそのリング変種(RLWE)の難易度に基づくFHEスキームのクラスに属する。 このようなスキームはノイズと呼ばれる量に対処し、同型演算を行うたびに増加する。 具体的には、このスキームが適切に機能するためには、ノイズはプロセスを通して一定の閾値以下に留まることが不可欠である。 BGVの場合、このしきい値は暗号文の係数に依存するが、これは選択がスキームの効率とセキュリティの両方に大きな影響を与える初期パラメータの1つである。 本稿では,実験結果と密に整合し,パラメータ選択の基礎を形成し,精度を保証し,効率を向上させるため,雑音の増大を推定する新しい手法を提案する。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Distributionally Robust Variational Quantum Algorithms with Shifted Noise [9.705847892362165]
  本稿では、変分量子アルゴリズム(VQA)を未知のシフトノイズに対して頑健に最適化する方法を示す。 この研究は、シフトノイズの影響を受け、VQAの信頼性を向上させるための最初のステップである。
  論文  参考訳（メタデータ） (2023-08-28T23:19:57Z)
• Towards Automated Homomorphic Encryption Parameter Selection with Fuzzy Logic and Linear Programming [0.76146285961466]
  ホモモルフィック暗号化(homomorphic Encryption, HE)は、暗号化されたテキスト上でのプライバシー保護操作を可能にする、特定の暗号システムの強力な特性の集合である。 現在、既存のHEフレームワークのほとんどは、これらの考慮事項に手動で対処するために暗号学者を必要としている。 本稿ではファジィ論理と線形プログラミングを組み合わせたエキスパートシステムを提案する。
  論文  参考訳（メタデータ） (2023-02-17T15:07:30Z)
• Benefits of Monotonicity in Safe Exploration with Gaussian Processes [50.71125084216603]
  動作の集合上で未知の関数を逐次最大化する問題を考察する。 M-SafeUCBは、安全性、適切に定義された後悔の念、安全境界全体の発見という理論的な保証を享受していることを示す。
  論文  参考訳（メタデータ） (2022-11-03T02:52:30Z)
• SecureFedYJ: a safe feature Gaussianization protocol for Federated Learning [5.021115870910447]
  プライバシー制約下でのクロスサイロ・フェデレート・ラーニング・セッティングにおけるYJ変換の適用問題について検討する。 初めて、YJ負の対数類似度が実際に凸であることを証明し、指数探索で最適化する。 我々は、最終的なパラメータよりも多くの情報を漏らすことなく、プール等価YJ変換を行うフェデレーションアルゴリズムSecureFedYJを提案する。
  論文  参考訳（メタデータ） (2022-10-04T14:36:56Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Optimum Noise Mechanism for Differentially Private Queries in Discrete Finite Sets [3.5379819043314176]
  本稿では,離散的かつ有限な問合せセットに適した最適ノイズマス確率関数を設計するための新しいフレームワークを提案する。 我々のフレームワークは、任意の$(epsilon, delta)$制約の下でノイズ分布を最適化し、応答の精度と有用性を向上させる。 数値実験により,提案手法の最先端手法と比較して,最適機構の優れた性能が示された。
  論文  参考訳（メタデータ） (2021-11-23T05:24:34Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Improved, Deterministic Smoothing for L1 Certified Robustness [119.86676998327864]
  分割雑音を伴う非加法的決定論的平滑化法(dssn)を提案する。 一様加法平滑化とは対照的に、ssn認証は無作為なノイズコンポーネントを独立に必要としない。 これは、規範ベースの敵対的脅威モデルに対して決定論的「ランダム化平滑化」を提供する最初の仕事である。
  論文  参考訳（メタデータ） (2021-03-17T21:49:53Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• Regret Bounds for Safe Gaussian Process Bandit Optimization [42.336882999112845]
  安全クリティカルなシステムでは、学習者の行動が学習プロセスのどの段階においても安全上の制約に違反しないことが最重要である。 我々は,SGP-UCBと呼ばれるGP-UCBの安全版を開発し,各ラウンドの安全制約を尊重するために必要な修正を行った。
  論文  参考訳（メタデータ） (2020-05-05T03:54:43Z)

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。