Kriptografi berbasis Jaringan Saraf (Neural Network)

Ulasan paper Prof. W. Kinzel mengenai Kriptografi berbasis Jaringan Saraf

Lebih detail (lihat halaman ini)

Cryptography based on Interacting Neural Network

Pendahuluan

Jaringan neural belajar dari contoh. Konsep ini telah secara ekstensif dipelajari dengan menggunakan model dan metoda dari ilmu fisika statistik. Khususnya skenario jaringan feedforward dilatih dengan contoh yang dihasilkan oleh suatu jaringan yang berbeda.

Jaringan feedforward menggolongkan data dimensional tinggi, di kasus yang paling sederhana keluaran tunggal bit (1/0, wrong/correct, yes/no). Jaringan ini adalah algoritma yang adaptip, parameter mereka(pembobotan synaptic) mengadaptasikan persis sama satuan contoh pelatihan, dalam kasus ini satu set input/output pasangan. Setelah tahap pelatihan, jaringan sudah mencapai beberapa pengetahuan tentang aturan dari contoh itu, jaringan dapat menggolongkan vektor masukan yang tidak pernah telah dilihat sebelumnya, sehingga diakatakan dapat mengheneralisasi.

Beberapa model matematika yang dipelajari sebelum contoh pelatihan digunakan, dihasilkan oleh suatu jaringan neural yang berbeda, yang disebut sebagai “guru”. Pelatihan on-line berarti “siswa”, pada masing-masing langkah pelatihan, menerima suatu contoh yang baru dari jaringan guru. Masing-masing contoh digunakan hanya sekali ketika untuk pelatihan. Dalam hal ini pelatihan mungkin digunakan sebagai dinamika dari jaringan neural yang saling berinteraksi: Sebuah jaringan guru mengirimkan isyarat (contoh) kepada jaringan siswa yang kemudian secara berurut mengubah pembobotannya menurut pesan yang diterima.

Metoda matematis telah dikembangkan untuk mengkalkulasi kekayaan dari dinamika dari jaringan yang saling berinteraksi. Di batas dari jaringan besar seseorang dapat menguraikan sistem oleh suatu penyamaan diferensial untuk beberapa “parameter benahan” yang menentukan, sebagai contoh, generalisasi kesalahan sebagai fungsi dari jumlah contoh pelatihan.

Dalam tulisan ini dipaparkan suatu teori dari jaringan neural yang saling berinteraksi. Model akan digambarkan pada bagian 2. Skenario Teacher/Student dijelaskan pada bagian 3. Pada sebuah jaringan guru yang statis pada kasus dari jaringan yang berlapis-lapis, siswa menunjukkan suatu transisi dari suatu status yang simetris ke spesialisasi. Jaringan neural dapat juga menghasilkan suatu gugus berkala. Penggambaran kesimpulan dan rangkaian pelatihan tepat waktu ditunjukkan pada bagian 4

Lebih detail (lihat halaman ini)