利用神经网络在实际中更快速地求解高噪声区间下的LPN问题
机器学习
2023-03-15 v1 密码学与安全
摘要
我们对利用神经网络求解带噪声的奇偶学习问题（LPN）进行了系统研究。我们的主要贡献是设计了一系列两层神经网络，在高噪声、低维区间下实际性能优于经典算法。我们考虑了LPN样本数量充足、极其有限以及介于两者之间的三种设定。在每种设定中，我们提供了尽可能快速求解LPN的神经网络模型。对某些设定，我们还提供了理论以解释模型设计的原因。与Esser、Kubler和May (CRYPTO 2017)此前的实验相比，在维度、噪声率时，“先猜测后高斯消元”算法在64个CPU核上需3.12天，而我们的神经网络算法在8个GPU上仅需66分钟。我们的算法也可嵌入用于求解中维或高维LPN实例的混合算法中。
引用
@article{arxiv.2303.07987,
title = {Practically Solving LPN in High Noise Regimes Faster Using Neural Networks},
author = {Haozhe Jiang and Kaiyue Wen and Yilei Chen},
journal= {arXiv preprint arXiv:2303.07987},
year = {2023}
}
备注
37 pages