論文の概要: Recurrent Bipartite Graph Neural Networks for QC-MDPC Error Decoding in McEliece Cryptosystems

• arxiv url: http://arxiv.org/abs/2610.38479v1
• Date: Wed, 28 Oct 2026 08:53:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.385303
• Title: Recurrent Bipartite Graph Neural Networks for QC-MDPC Error Decoding in McEliece Cryptosystems
• Title（参考訳）: McEliece暗号系におけるQC-MDPC誤り復号のための繰り返し二部グラフニューラルネットワーク
• Abstract要約: 本稿では,Recurrent Bipartite Graph Neural Network (R-BGNN) を概念実証として提案する。 メッセージパッシングフレームワークにGRU(Gated Recurrent Units)を統合することで、R-BGNNは制限サイクルの振動を壊すことを積極的に学習する。 20の未知の行列トポロジで評価され、提案アーキテクチャは古典的なBit-FlippingとMin-Sumのベースラインを大きく上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As the advent of large-scale quantum computing threatens classical encryption, Quasi-Cyclic Moderate Density Parity-Check (QC-MDPC) codes have emerged as a foundational element of Post-Quantum Cryptography (PQC). However, decoding these relatively dense codes using classical Belief Propagation algorithms often leads to failures caused by short graph cycles that stall the decoder. In cryptographic applications, these failures are severe security vulnerabilities that leak secret key information. To address this, this paper proposes a Recurrent Bipartite Graph Neural Network (R-BGNN) as proof of concept. By integrating Gated Recurrent Units (GRUs) into the message-passing framework and employing a multi-topology curriculum training strategy, the R-BGNN actively learns to break limit-cycle oscillations. Evaluated across 20 unseen matrix topologies, the proposed architecture significantly outperforms classical Bit-Flipping and Min-Sum baselines, reducing the Decoding Failure Rate (DFR) by 63.7\% at moderate noise levels ($t=10$) while converging in fewer iterations.
• Abstract（参考訳）: 大規模量子コンピューティングの出現が古典的な暗号化を脅かす中、量子暗号(PQC)の基本要素として準暗号モデレート密度パリティ・チェック(QC-MDPC)符号が出現した。 しかし、古典的リーフ伝播アルゴリズムを用いて、これらの比較的高密度なコードを復号すると、デコーダを停止するグラフサイクルが原因で失敗することが多い。 暗号化アプリケーションでは、これらの障害は秘密鍵情報を漏洩する深刻なセキュリティ脆弱性である。 そこで本研究では,Recurrent Bipartite Graph Neural Network (R-BGNN) を概念実証として提案する。 Gated Recurrent Units(GRU)をメッセージパッシングフレームワークに統合し、マルチトポロジーのカリキュラムトレーニング戦略を採用することにより、R-BGNNは制限サイクルの振動を壊すことを積極的に学んでいる。 20の未知の行列トポロジで評価され、提案されたアーキテクチャは古典的なビットフリップとMin-Sumベースラインを著しく上回り、デコード失敗率(DFR)を63.7%減らし(t=10$)、より少ないイテレーションで収束させる。

関連論文リスト

• Impulse Decoding of Quantum LDPC Codes: Equivalence of Degeneracy and Code-Shortening [1.9355898755215148]
  縮退は線形ブロック符号の短縮という古典的操作と密接に関連していることを示す。 インパルス復号と呼ばれる量子低密度パリティチェック符号の並列復号方式を提案する。 次に,残差の復号化に基づく別のアルゴリズムを提案し,インパルス復号と組み合わせることで,回路レベルの雑音下でのさらなる性能向上を実現する。
  論文  参考訳（メタデータ） (2026-06-16T17:58:26Z)
• Simple Power Analysis on Post-Quantum Code Based Cryptosystems [0.0]
  ポスト量子暗号は、現在の暗号方式を量子コンピュータからの攻撃に耐性があるものとして置き換えようとしている。 McEleiece と Bit Flip Key Encapsulation (BIKE) は、符号化理論に基づく2つの楽しい代表である。 本稿では, 簡易電力解析(SPA)を用いて, カプセル化段階で重要な情報漏洩の有無を評価する。
  論文  参考訳（メタデータ） (2026-05-16T18:48:41Z)
• HyperNQ: A Hypergraph Neural Network Decoder for Quantum LDPC Codes [1.716414185235193]
  Quantum Low-Density Parity-Check (QLDPC) コードは、スケーラブルなQuantum Error Correction (QEC) アプリケーションのための有望なソリューションとして登場した。 我々は,最初のハイパーグラフニューラルネットワーク(HGNN)ベースのQLDPCデコーダであるHyperNQを提案する。
  論文  参考訳（メタデータ） (2025-11-03T16:52:17Z)
• Post-Quantum Cryptography: An Analysis of Code-Based and Lattice-Based Cryptosystems [55.49917140500002]
  量子コンピュータはShorのアルゴリズムを使って最新の暗号システムを破ることができる。 我々はまず、量子攻撃に対して安全とされるコードベースのスキームであるMcEliece暗号システムについて検討する。 次に,最短ベクトル問題を解くことの難しさを基礎とした格子型システムNTRUについて検討する。
  論文  参考訳（メタデータ） (2025-05-06T03:42:38Z)
• Good Gottesman-Kitaev-Preskill codes from the NTRU cryptosystem [5.497441137435869]
  我々は,いわゆるNTRU暗号系の暗号解析から得られた,ランダムなGottesman-Kitaev-Preskill(GKP)符号のクラスを導入する。 NTRU-GKP符号の派生型は、変位ノイズモデルの復号化がNTRU暗号システムの復号化と等価であるという付加的な性質を持つ。 この構造は、GKPコードがどのように古典的誤り訂正、量子誤り訂正、およびポスト量子暗号の側面を橋渡しするかを強調している。
  論文  参考訳（メタデータ） (2023-03-04T14:39:20Z)
• Deep Quantum Error Correction [73.54643419792453]
  量子誤り訂正符号(QECC)は、量子コンピューティングのポテンシャルを実現するための鍵となる要素である。 本研究では,新しいエンペンド・ツー・エンドの量子誤りデコーダを効率的に訓練する。 提案手法は,最先端の精度を実現することにより,QECCのニューラルデコーダのパワーを実証する。
  論文  参考訳（メタデータ） (2023-01-27T08:16:26Z)
• Neural Belief Propagation Decoding of Quantum LDPC Codes Using Overcomplete Check Matrices [60.02503434201552]
  元のチェック行列における行の線形結合から生成された冗長な行を持つチェック行列に基づいてQLDPC符号を復号する。 このアプローチは、非常に低い復号遅延の利点を付加して、復号性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-12-20T13:41:27Z)
• Graph Neural Networks for Channel Decoding [71.15576353630667]
  低密度パリティチェック(LDPC)やBCH符号など、様々な符号化方式の競合復号性能を示す。 ニューラルネットワーク(NN)は、与えられたグラフ上で一般化されたメッセージパッシングアルゴリズムを学習する。 提案するデコーダを,従来のチャネル復号法および最近のディープラーニングに基づく結果と比較した。
  論文  参考訳（メタデータ） (2022-07-29T15:29:18Z)

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。