Given a cryptographic group action, we show that the Group Action Inverse Problem (GAIP) and other related problems cannot be NP-hard unless the Polynomial Hierarchy collapses. We show this via random self-reductions and the design of interactive proofs. Since cryptographic group actions are the building block of many security protocols, this result serves both as an upper bound on the worst-case complexity of some cryptographic assumptions and as proof that the hardness in the worst and in the average case coincide. We also point out the link with Graph Isomorphism and other related NP intermediate problems.
General Hardness Amplification of Predicates and Puzzles
我们给出了新的证据,有效的采样谓词和弱验证的难题,推广到新的设置的硬度放大。更具体地说,在本文的第一部分中,我们给出了姚的XOR引理的一个新的证明,该引理也适用于密码学环境中的相关定理。我们的证明似乎比以前的简单,但立即推广到类似的精神陈述,如提取引理用于从单向函数获得伪随机生成器[Hastad,Impagliazzo,Levin,Luby,SIAM J. on Comp. 1999]。在本文的第二部分中,我们给出了弱可验证谜题的硬度放大的一个新的证明,它比以前的证明更一般,因为它给出了甚至对应用于底层谜题的检查电路的任意单调函数的右界。我们的证明是适用于许多设置的交互式密码协议,因为它们满足一个属性,我们称之为“非倒带”。特别是,我们表明,任何弱密码协议的安全性是由不可预测的单比特可以加强与自然的信息理论协议。作为一个例子,我们展示了这些定理如何解决[Halevi和Rabin,TCC 2008]中关于比特承诺的主要公开问题。
From Worst-Case Hardness of $\mathsf{NP}$ to Quantum Cryptography via Quantum Indistinguishability Obfuscation
Yukawa Institute for Theoretical Physics, Kyoto University(京都大学汤川理论物理研究所);NTT Social Informatics Laboratories(NTT社会信息学实验室);NTT Research Center for Theoretical Quantum Information(NTT理论量子信息中心)
On the Cryptographic Hardness of Learning Single Periodic Neurons
Courant Institute of Mathematical Sciences, New York University(纽约大学库朗数学科学研究所);Center for Data Science, New York University(纽约大学数据科学中心)
我们展示了一个简单的减少,这表明在存在噪声的情况下,在各向同性高斯分布上学习单个周期神经元的密码学硬度。更确切地说,我们的约简表明,在小噪声下学习这些函数的任何多项式时间算法(不一定是基于梯度的)都意味着解决最坏情况下的格问题的多项式时间量子算法,其硬度构成了基于格的密码学的基础。我们的核心硬函数族,这是很好地近似的单层神经网络,采取一般形式的一元周期函数应用于仿射投影的数据。这些函数已经出现在以前的开创性著作中,这些著作证明了它们对基于梯度(Shamir'18)和统计查询(SQ)算法(Song et al. '17)。我们表明,如果(多项式)小噪声添加到标签,学习这些功能的棘手性适用于所有多项式时间算法,超越基于梯度和SQ算法,在上述密码学假设。此外,我们证明了噪声的必要性,在硬度的结果,通过设计一个多项式时间的算法来学习某些家庭的这样的功能指数小对抗性噪声。我们提出的算法不是基于梯度或SQ算法,而是基于著名的Lenstra-Lenstra-Lovász(LLL)格基约简算法。此外,在没有噪声的情况下,该算法可以直接应用于解决CLWE检测(Bruna et al. '21)和具有$d+1$样本的最佳样本复杂度的相位恢复。在前一种情况下,这改进了在(Bruna et al. '21)。
A Note on NP-Hardness of Preemptive Mean Flow-Time Scheduling for Parallel Machines
Baptiste,Brucker,Chrobak,Dürr,Kravchenko和Sourd在论文“The complex of mean flow time scheduling problems with release times”中,证明了调度问题$P|pmtn,r_j|\sum C_j$的强NP-困难性,即以最小化平均流时间为目标的多处理器抢占式调度。指出了他们证明中的一个严重错误,并给出了该问题强NP-困难性的一个新证明。
A Note on Hardness of Multiprocessor Scheduling with Scheduling Solution Space Tree
研究了在一组相同的并行处理机上以最小化完工时间为目标的独立工件列表的非抢占式调度问题的计算复杂性。通过定义\textit{Scheduling Solution Space Tree (SSST)}的数据结构,我们首次尝试探索显示问题的穷举解空间的组合结构。的\textit{SSST}的属性被正式定义,并通过我们的分析结果的特点。我们开发了一种独特的技术来显示使用SSST和\textit{Weighted Scheduling Solution Space Tree (WSSST)}数据结构的问题$\mathcal{NP}$。我们设计了第一个非确定性多项式时间算法\textit{Magic Scheduling (MS)}的基础上减少框架的问题。我们还定义了一个新的变种,多处理器调度包括用户作为一个额外的输入参数。我们正式建立的复杂性类的变体的归约原则。最后,我们通过探讨未来研究调查的几个有趣的开放性问题来结束本文。
The Hardness of the Functional Orientation 2-Color Problem
我们考虑功能取向2色问题,其由Valiant在他关于全息算法的开创性论文[SIAM J. Comput.,37(5),2008]。Valiant对最大度为3的平面图给出了一个多项式时间的全息算法,并证明了该问题对最大度为10的平面图是NP-完全的. Corrêa等人关于缺陷图着色的一个最新结果。J. Combin.,43,2009]意味着这个问题对于最大度为8的平面图已经很难了。总之,这些结果留下了开放的硬度问题的最大程度之间的4和7的图。我们关闭这一差距表明,答案总是是任意图的最大程度5,这个问题是NP-完全的平面图的最大程度6。此外,对于最大度为5的图,我们注意到存在一个寻找解的线性时间算法。
Independent Set, Induced Matching, and Pricing: Connections and Tight (Subexponential Time) Approximation Hardnesses
我们提出了一系列几乎解决的不可逼近性结果的三个基本问题。在我们的系列中的第一个是最大独立集问题的次指数时间不可近似性,这是在参数化复杂性领域研究的一个问题。第二个问题是有界度二部图的最大诱导匹配问题的逼近困难。在我们的系列中的最后一个是严格的硬度近似的k-超图定价问题,一个基本的问题,从算法博弈论的领域。特别地,假设指数时间假设,我们的两个主要结果是:-对于任何大于某个常数的r,任何求解最大独立集问题的r-近似算法必须至少运行2^{n^{1-ε}/r^{1+ε}}时间。这几乎与2^{n/r}的上限相匹配(Cygan等人,2008年)。它还改进了参数化复杂性域中的一些困难结果(例如,Escoffier等人,2012和Chitnis等人,2013)-对于任何大于某个常数的k,k-超图定价问题不存在多项式时间min(k^{1-ε},n^{1/2-ε})-近似算法,其中n是输入图中的顶点数。这几乎匹配min(O(k),\tilde O(\sqrt{n}))的上界(Balcan and Blum,2007 and an algorithm in this paper)。我们注意到一个有趣的事实,与多项式时间算法的n^{1/2-ε}困难性相反,k-超图定价问题允许在准多项式时间中对任何δ>0进行n^δ逼近。这使得这个问题在一个罕见的近似类,其中近似阈值可以显着提高,允许算法运行在准多项式时间。
Inapproximability of sufficient reasons for decision trees
Centro Nacional de Inteligencia Artificial(国家人工智能中心);Instituto de Ingeniería Matemática y Computacional, Universidad Católica de Chile(智利天主教大学数学与计算工程学院);Instituto Milenio Fundamentos de los Datos(千禧年数据基础研究所)