Score:1

ข้อผิดพลาดสำหรับ $\mathsf{LWE}$

ธง in

เหตุใดเราจึงใช้ข้อผิดพลาดแบบเกาส์เซียนใน $\mathsf{LWE}$?

ทำไมเราจึงไม่ใช้ข้อผิดพลาดแบบเดียวกัน

Score:2
ธง in

มีเหตุผลหลักบางประการที่เราใช้ Gaussians สำหรับข้อผิดพลาด:

  • มันทำให้การพิสูจน์ความปลอดภัยแน่นหนาง่ายขึ้น หรืออย่างน้อยการพิสูจน์ความแข็งส่วนใหญ่ขึ้นอยู่กับการกระจายข้อผิดพลาดแบบเกาส์เซียน

  • พวกมันสร้างเวกเตอร์ขนาดเล็กที่ใกล้เคียงกับการกระจายข้อผิดพลาดแบบสม่ำเสมอสำหรับแลตทิซใดๆ (ดู ที่นี่)

มีปัญหาเกี่ยวกับการแจกแจงแบบเกาส์เซียนจริง โดยส่วนใหญ่ไม่สามารถสุ่มตัวอย่างได้อย่างมีประสิทธิภาพ นี่คือเหตุผลที่เรามักจะใช้การแจกแจงแบบ 'แบบเกาส์เซียน' ตามที่คุณระบุ

Mark avatar
ng flag
เป็นมูลค่าการกล่าวขวัญว่า "เกาส์ที่แท้จริง" ที่นี่ควรอ่านว่า *แยก* เกาส์ที่แท้จริง การสุ่มตัวอย่างเกาส์เซียน *ต่อเนื่อง* จริงนั้นมีประสิทธิภาพอย่างมาก พูดโดยใช้ [การแปลงกล่องมุลเลอร์](https://en.wikipedia.org/wiki/Box%E2%80%93Muller_transform) จากนั้นคุณสามารถ [ปัดเศษ](https://eprint.iacr.org/2017/1025) เพื่อให้ได้การกระจายที่ใกล้เคียงกับเกาส์เซียนที่ไม่ต่อเนื่องซึ่งมักจะเพียงพอ โปรดทราบว่าการทำเช่นนี้จะสูญเสียบางสิ่งไป --- คุณต้องใช้การสุ่มตัวอย่างที่มีความแม่นยำสูงกว่านี้ นี่คือปริมาณในหน้า 37 ของเอกสารที่เชื่อมโยง

โพสต์คำตอบ

คนส่วนใหญ่ไม่เข้าใจว่าการถามคำถามมากมายจะปลดล็อกการเรียนรู้และปรับปรุงความสัมพันธ์ระหว่างบุคคล ตัวอย่างเช่น ในการศึกษาของ Alison แม้ว่าผู้คนจะจำได้อย่างแม่นยำว่ามีคำถามกี่ข้อที่ถูกถามในการสนทนา แต่พวกเขาไม่เข้าใจความเชื่อมโยงระหว่างคำถามและความชอบ จากการศึกษาทั้ง 4 เรื่องที่ผู้เข้าร่วมมีส่วนร่วมในการสนทนาด้วยตนเองหรืออ่านบันทึกการสนทนาของผู้อื่น ผู้คนมักไม่ตระหนักว่าการถามคำถามจะมีอิทธิพลหรือมีอิทธิพลต่อระดับมิตรภาพระหว่างผู้สนทนา