Processing math: 50%


some thoughts about Lipschitz

关于Lipschitz的思考

今天在看TFHE论文的过程中,看到了 κ-Lipschitz的概念

The notion of Lipschitz function always refers to the -distance: a function f:TmTn is said to be κ-Lipschitz if |f(x)f(y)|κ|xy| for all inputs x,y, where || is the norm.

一个新奇的想法:在学密码学过程中遇到的一些数学概念,或许我们应该去究其本质,看看它原本在数学领域和其他领域的应用,或者说提出的原因,这样更有利于我们理解他的概念

可能是笔者太久没学数学了,看到这样一个形式有点迷糊,甚至有一个奇怪的想法,xf(x)量纲不同(考虑到量纲可能是因为选用的是范数,现在倒是想不起来为什么会考虑到量纲了)的话,这么限制有什么意义呢?

之后去查阅了相关资料,发现Lipschitz多用于深度学习领域,并且该概念十分简单易懂。我们把RHS中的|xy|除下来,其实就是斜率的概念

这不就是代表f(x)这个函数,在任意维度上,斜率最大也不超过\kappa​嘛。在TLWE提到这个概念,应该也只是想约束一下error对于明文带来的影响。

在TLWE中,我们是将Lipschitz套在phase function上使用的,phase的自变量x是ciphertext,因变量才是plaintext,因此笔者理解的是给ciphertext加error造成的影响,对于plaintext不大,所以才能正确解密。

我们可以这样看这个问题,假设密文是(\pmb{a},b),对应的明文是\mu,则有\varphi_s{(\pmb{a},b)}=b-\pmb{a}\pmb{s}=\mu,我们引入噪声,可以参考TFHE中对于trivial encryption的概念,(\pmb{0},e)e,则有\varphi_s{(\pmb{0},e)}=e-\pmb{0}\pmb{s}=e

因此,我们可以有

因此,影响很小

参考资料:

[1] 详细解析深度学习中的 Lipschitz 条件

[2] Chillotti I, Gama N, Georgieva M, et al. TFHE: fast fully homomorphic encryption over the torus[J]. Journal of Cryptology, 2020, 33(1): 34-91.