Salsa Fresca：用于针对带错误学习问题的机器学习攻击的角度嵌入与预训练

带错误学习（LWE）是一个困难的数学问题，是近期标准化的用于密钥交换和数字签名的后量子密码（PQC）系统的基础。先前的工作提出了针对具有小规模、稀疏秘密的 LWE 问题的新机器学习（ML）攻击方法，但这些攻击需要数百万个 LWE 样本来进行训练，并且需要数天时间才能恢复秘密。我们提出了三种关键方法——更好的预处理、角度嵌入和模型预训练——来改进这些攻击，将预处理速度提高了 $25\times$，并将模型样本效率提高了 $10\times$。我们首次证明，预训练能够改进并降低针对 LWE 的机器学习攻击的成本。我们的架构改进使得能够扩展到更高维度的 LWE 问题：这项工作是机器学习攻击首次在维度 $n=1024$ 下恢复稀疏二进制秘密，这是 LWE 的同态加密应用中实际使用的最小维度，其中提出了稀疏二进制秘密。