論文の概要: Improving ML Attacks on LWE with Data Repetition and Stepwise Regression

• arxiv url: http://arxiv.org/abs/2604.03903v1
• Date: Sun, 05 Apr 2026 00:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.827132
• Title: Improving ML Attacks on LWE with Data Repetition and Stepwise Regression
• Title（参考訳）: データ繰り返しとステップワイズ回帰によるLWEにおけるML攻撃の改善
• Authors: Alberto Alfarano, Eshika Saxena, Emily Wenger, François Charton, Kristin Lauter,
• Abstract要約: LWE問題(Learning with Errors)は格子ベースの暗号において難しい問題である。 LWEに対する効果的なML攻撃は,2次,3次,小秘密の場合にみられた。 より大規模なトレーニングセットと繰り返し例を用いることで,より密集した秘密の回復が可能であることを示す。
• 参考スコア（独自算出の注目度）: 18.872311974918322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Learning with Errors (LWE) problem is a hard math problem in lattice-based cryptography. In the simplest case of binary secrets, it is the subset sum problem, with error. Effective ML attacks on LWE were demonstrated in the case of binary, ternary, and small secrets, succeeding on fairly sparse secrets. The ML attacks recover secrets with up to 3 active bits in the "cruel region" (Nolte et al., 2024) on samples pre-processed with BKZ. We show that using larger training sets and repeated examples enables recovery of denser secrets. Empirically, we observe a power-law relationship between model-based attempts to recover the secrets, dataset size, and repeated examples. We introduce a stepwise regression technique to recover the "cool bits" of the secret.
• Abstract（参考訳）: LWE問題(Learning with Errors)は格子ベースの暗号において難しい問題である。 最も単純なバイナリシークレットの場合、それは誤りを伴う部分集合和問題である。 LWEに対する効果的なML攻撃は、二進法、三進法、小極秘のケースで実証された。 ML攻撃は、BKZで前処理されたサンプルの「クレル領域」(Nolte et al , 2024)で最大3ビットのシークレットを復元する。 より大規模なトレーニングセットと繰り返し例を用いることで,より密集した秘密の回復が可能であることを示す。 実験により,モデルに基づくシークレットの復元の試みとデータセットサイズ,繰り返し例の相関関係を実証した。 秘密の「クールビット」を回復するための段階的回帰手法を導入する。

関連論文リスト

• Making Hard Problems Easier with Custom Data Distributions and Loss Regularization: A Case Study in Modular Arithmetic [30.93087957720688]
  モジュール演算タスクにおけるMLモデルの性能を大幅に向上させる技術を開発した。 私たちの中心となるイノベーションは、カスタムトレーニングデータディストリビューションの使用と、慎重に設計された損失関数です。 我々の技術は、コピー、連想的リコール、パリティなど、MLモデルが他のよく研究された問題をよりよく学習するのに役立つ。
  論文  参考訳（メタデータ） (2024-10-04T16:19:33Z)
• From Theft to Bomb-Making: The Ripple Effect of Unlearning in Defending Against Jailbreak Attacks [85.84979847888157]
  大規模言語モデル(LLM)は、ジェイルブレイク攻撃に弱いことが知られている。 LLMは、学習期間中に明示的に導入されなかった有害な知識を暗黙的に引き起こすことができる。 我々は、この現象を実証的に検証し、未学習の手法でアタック成功率を下げることを可能にする。
  論文  参考訳（メタデータ） (2024-07-03T07:14:05Z)
• Enabling High-Sparsity Foundational Llama Models with Efficient Pretraining and Deployment [56.44025052765861]
  大規模言語モデル(LLM)は自然言語処理(NLP)に革命をもたらしたが、そのサイズは計算のボトルネックを生み出している。 そこで本研究では,高性能LLMの高精度かつ疎結合な基本バージョンを作成するための新しいアプローチを提案する。 スパース量子化LLaMAの最大8.6倍のCPU上での総高速化を示す。
  論文  参考訳（メタデータ） (2024-05-06T16:03:32Z)
• The cool and the cruel: separating hard parts of LWE secrets [11.000531626756853]
  スパースバイナリLWEシークレットに対する既知の攻撃には、スパースデュアルアタックとミドルアタックにおけるハイブリッドスパースデュアルミートが含まれる。 本稿では,メモリ要求の少ない新しい統計的攻撃を提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:16:21Z)
• Alpaca against Vicuna: Using LLMs to Uncover Memorization of LLMs [61.04246774006429]
  本稿では,攻撃者によるLSMエージェントを用いたブラックボックスプロンプト最適化手法を提案する。 ベースラインプレフィックス・サフィックス測定と比較すると,命令ベースのプロンプトは,トレーニングデータと23.7%のオーバラップで出力を生成する。 以上の結果から,命令調整モデルでは,ベースモデルと同等に事前学習データを公開することが可能であり,他のLSMが提案する命令を用いることで,新たな自動攻撃の道を開くことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-05T19:32:01Z)
• Salsa Fresca: Angular Embeddings and Pre-Training for ML Attacks on Learning With Errors [10.800552110718714]
  LWE(Learning with Errors)は、鍵交換とデジタル署名のための量子後暗号システムの基礎となる難解な数学問題である。 以前の作業では、小さな秘密を持つLWE問題に対する機械学習(ML)ベースの新たな攻撃を提案したが、これらの攻撃には、秘密をトレーニングし、回復するのに数日を要する数百万のLWEサンプルが必要である。 我々は、これらの攻撃を改善するために、3つの重要な方法、より良い前処理、角埋め込み、モデル事前訓練を提案する。
  論文  参考訳（メタデータ） (2024-02-02T00:48:27Z)
• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。 しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• SALSA PICANTE: a machine learning attack on LWE with binary secrets [8.219373043653507]
  スパースバイナリシークレットを用いたLWEに対する強化機械学習攻撃であるPICANTEを提案する。 PICANTEは、より大きな次元(最大$n=350$)で秘密を回収し、より大きなハミング重みを持つ。 PICANTEはNISTのLWE標準を脅かしていないが、SALSAよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-03-07T19:01:01Z)

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。