Skip to main content
QUICK REVIEW

[논문 리뷰] A New Approach to Code Smoothing Bounds

Tsuyoshi Miezaki, Yusaku Nishimura|arXiv (Cornell University)|2026. 03. 18.
Coding theory and cryptographyComputer Science인용 수 0
한 줄 요약

랜덤 워크 기반의 총 변이 거리(CC)의 경계를 equitable partitions를 사용하는 코드에 적용하여, 기존의 Fourier 기반 경계들을 일반화하고 부분군 초기 분포를 넘어 확장한다.

ABSTRACT

To analyze the security of code-based cryptosystems, the smoothing parameter, which is closely related to the total variation distance of codes, has been investigated. While previous studies have bounded this distance using the Fourier transform on locally compact abelian groups, we take an alternative approach based on random walks. In this paper, we derive an inequality for the total variation distance of random walks using equitable partitions, and we show that our proposed bound generalizes existing results for finite abelian groups.

연구 동기 및 목표

  • 코드 기반 암호학에서 총 변이 거리의 분석 및 스무딩 매개변수의 동기 부여.
  • Markov 체인의 equitable partitions를 사용하여 총 변이 거리를 위한 경계를 개발한다.
  • 유한 아벨 군 설정에서 기존 결과를 이 경계로 포섭하도록 한다.
  • 부분군에서 벗어난 초기 분포에 대한 적용 가능성을 강조한다.

제안 방법

  • 왼쪽 확률 전이 행렬을 가진 유한 아벨 군에서 스무딩 문제를 랜덤 워크로 모델링한다.
  • equitabe partitions와 quotient matrices를 도입하여 quotient의 고유값으로 L1 거리를 경계한다.
  • 정의된 quotient 행렬의 스펙트럴 정보를 이용해 Δ_RW에 대한 경계를 (Theorem 3.3) 증명한다.
  • 코드에 대한 알려진 경계(Δ_Code)와의 관계를 부분군 코사트로 특수화하여 (Proposition 3.5, Theorem 3.9) 설명한다.
  • Poisson 합을 사용하여 f와 f|H를 연결하고 coset 초기 분포에 대한 경계를 도출한다 (Theorem 3.10).

실험 결과

연구 질문

  • RQ1Equitable partitions가 코드 스무딩과 관련된 랜덤 워크의 총 변이 거리에 대해 효과적인 상한을 제공할 수 있는가?
  • RQ2이 경계들이 Debris-Alazard et al.의 Fourier 기반 결과를 부분군 외의 보다 일반적인 초기 분포로 확장하는가?
  • RQ3균등한 분할 경계가 코드에 대한 기존 경계(예: 2.9)에 일치하거나 개선되는 조건은 무엇인가?
  • RQ4주기화(periodization)와 코사지 초기화가 스무딩 매개변수의 스펙트럴 경Bound에 어떤 영향을 주는가?

주요 결과

  • Equitable-partition 기반의 부등식이 랜덤 워크의 총 변이 거리를 경계한다(Theorem 3.3).
  • 이 경계는 초기 분포가 부분군에서 기인하지 않아도 허용하여 기존의 부분군 기반 결과를 일반화한다(Theorem 3.10).
  • Coset 분할로 특수화하면 적절한 조건하에서 알려진 2.9 결과와 일치하는 코드에 대한 경 Boundary를 얻을 수 있다.
  • Periodization은 원래 전이 행렬과 몫 전이 행렬의 고유값을 연결하여 G/H에서 스펙트럴 분석을 가능하게 한다(Theorem 3.9).
  • 이 접근법은 랜덤 워크와 그룹 스펙트럼 시각을 통합하고 유한 아벨 군 구조를 넘어서는 스무딩 경계의 일반화된 프레임워크를 제공한다.

이 논문 읽기

누빈트 뷰어에서 원문을 열고, 읽으면서 궁금한 곳을 바로 물어보세요.

누빈트에서 이 논문 읽기

이 리뷰는 AI가 논문 원문을 바탕으로 만들었습니다. 인용하기 전에 원문을 확인해 주세요.