論文の概要: Security Analysis of Integer Learning with Errors with Rejection Sampling

• arxiv url: http://arxiv.org/abs/2512.08172v1
• Date: Tue, 09 Dec 2025 02:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.784322
• Title: Security Analysis of Integer Learning with Errors with Rejection Sampling
• Title（参考訳）: リジェクションサンプリングによるエラーによる整数学習のセキュリティ解析
• Authors: Kyle Yates, Antsa Pierrottet, Abdullah Al Mamun, Ryann Cartor, Mashrur Chowdhury, Shuhong Gao,
• Abstract要約: 線形最小二乗に基づくディジタルアタックを学習誤り問題(LWE)の変種として導入した。 本研究は,小パラメータILWEインスタンスに直接適用した場合の攻撃の有効性に関する理論的,実験的研究である。 我々はまた、知的輸送システム(ITS)のような現実世界の応用に関して、我々の仕事やデジタル署名の意義についても論じる。
• 参考スコア（独自算出の注目度）: 3.092985334673679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: At ASIACRYPT 2018, a digital attack based on linear least squares was introduced for a variant of the learning with errors (LWE) problem which omits modular reduction known as the integer learning with errors problem (ILWE). In this paper, we present a theoretical and experimental study of the effectiveness of the attack when applied directly to small parameter ILWE instances found in popular digital signature schemes such as CRYSTALS-Dilithium which utilize rejection sampling. Unlike other studies which form ILWE instances based on additional information obtained from side-channel attacks, we take a more direct approach to the problem by constructing our ILWE instance from only the obtained signatures. We outline and introduce novel techniques in our simulation designs such as modular polynomial arithmetic via matrices in $\mathbb{R}$, as well as algorithms for handling large sample sizes efficiently. Our experimental results reinforce the proclaimed security of signature schemes based on ILWE. We additionally discuss the implications of our work and digital signatures as a whole in regards to real-world applications such as in Intelligent Transportation Systems (ITS).
• Abstract（参考訳）: ASIACRYPT 2018では、線形最小二乗に基づくデジタルアタックが、エラー付き学習(LWE)問題の変種として導入され、エラー付き整数学習(ILWE)として知られるモジュラーリダクションを省略した。 本稿では,リジェクションサンプリングを利用したCRYSTALS-Dilithiumなどのデジタル署名方式で見られる小パラメータILWEインスタンスに直接適用した場合の攻撃効果に関する理論的,実験的研究を行う。 サイドチャネル攻撃から得られた追加情報に基づいてILWEインスタンスを生成する他の研究とは異なり、得られたシグネチャのみからILWEインスタンスを構築することにより、この問題に対してより直接的なアプローチをとる。 シミュレーション設計では,$\mathbb{R}$の行列によるモジュラー多項式演算や,大規模なサンプルサイズを効率的に処理するためのアルゴリズムなど,新しい手法を概説し紹介する。 本実験により,ILWEに基づく署名スキームのセキュリティが強化された。 また,知的輸送システム(ITS)などの実世界の応用に関して,我々の研究とデジタル署名の意義についても論じる。

関連論文リスト

• Ghosting Your LLM: Without The Knowledge of Your Gradient and Data [23.256253959062544]
  我々は,ビットフリップ攻撃が大規模言語モデル(LLM)に与える影響に注目した。 BFAはハードウェアの欠陥を利用してモデルパラメータを破損させ、モデルの整合性と性能を脅かす。 本研究では,LLMの脆弱性量ビットを,勾配やデータ知識とは無関係に識別できる新たな脆弱性指標を提案する。
  論文  参考訳（メタデータ） (2025-11-27T18:52:51Z)
• A methodological analysis of prompt perturbations and their effect on attack success rates [0.5387033080274478]
  この研究は、異なるLarge Language Models (LLM)アライメントメソッドが、攻撃に対するモデルの応答にどのように影響するかを調査することを目的としている。 我々は,最も一般的なアライメント手法,すなわち Supervised Fine-Tuning (SFT), Direct Preference Optimization (DPO), Reinforcement Learning with Human Feedback (RLHF) に基づいて,オープンソースモデルを選択した。
  論文  参考訳（メタデータ） (2025-11-11T19:39:33Z)
• Comparing Knowledge Injection Methods for LLMs in a Low-Resource Regime [13.230760040927496]
  大規模言語モデルに小さな非構造化情報を注入する作業について検討する。 制限されたデータに対する事前トレーニングを継続するだけで、控えめな改善が得られます。 私たちは、小さなデータ体制における忘れる現象に光を当て、新しいコンテンツ学習と既存の能力維持の微妙なバランスを図った。
  論文  参考訳（メタデータ） (2025-08-08T09:48:32Z)
• Multi-agent Reinforcement Learning-based Network Intrusion Detection System [3.4636217357968904]
  侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。 本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。 我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
  論文  参考訳（メタデータ） (2024-07-08T09:18:59Z)
• Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
  オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。 既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。 アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
  論文  参考訳（メタデータ） (2024-03-19T18:57:53Z)
• Model-Based RL for Mean-Field Games is not Statistically Harder than Single-Agent RL [57.745700271150454]
  モデルに基づく関数近似を用いた平均フィールドゲーム(MFG)における強化学習のサンプル複雑性について検討した。 本稿では、モデルクラスの複雑性を特徴付けるためのより効果的な概念である部分モデルベースエルダー次元(P-MBED)を紹介する。
  論文  参考訳（メタデータ） (2024-02-08T14:54:47Z)
• Versatile Weight Attack via Flipping Limited Bits [68.45224286690932]
  本研究では,展開段階におけるモデルパラメータを変更する新たな攻撃パラダイムについて検討する。 有効性とステルスネスの目標を考慮し、ビットフリップに基づく重み攻撃を行うための一般的な定式化を提供する。 SSA(Single sample attack)とTSA(Singr sample attack)の2例を報告した。
  論文  参考訳（メタデータ） (2022-07-25T03:24:58Z)
• Broadly Applicable Targeted Data Sample Omission Attacks [15.077408234311816]
  学習機構において,新規なクリーンラベル標的中毒攻撃を提案する。 私たちの攻撃は、そのサンプルを操作することなく、選択した単一のターゲットテストサンプルを分類します。 攻撃予算が低い場合、攻撃の成功率は80%以上であり、場合によってはホワイトボックス学習において100%であることを示す。
  論文  参考訳（メタデータ） (2021-05-04T15:20:54Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• SAMBA: Safe Model-Based & Active Reinforcement Learning [59.01424351231993]
  SAMBAは、確率論的モデリング、情報理論、統計学といった側面を組み合わせた安全な強化学習のためのフレームワークである。 我々は,低次元および高次元の状態表現を含む安全な力学系ベンチマークを用いて,アルゴリズムの評価を行った。 アクティブなメトリクスと安全性の制約を詳細に分析することで,フレームワークの有効性を直感的に評価する。
  論文  参考訳（メタデータ） (2020-06-12T10:40:46Z)

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。