神经同步与密码学

神经网络可以通过相互学习实现同步。在离散权重的情况下，完全同步可在有限步数内实现。利用此过程中生成的输入和输出作为示例，可以训练额外的网络。本文提出并分析了针对这两项任务的多种学习规则。对于树奇偶机（Tree Parity Machines），同步速度远快于学习速度。利用解析模型推导了完全同步和成功学习所需步数的标度律。结果表明，通过改变突触深度可以控制这两个过程之间的差异。在双向交互情况下，同步时间与该参数的平方成正比；但若信息仅单向传输，则呈指数增长。由于这种效应，神经同步可用于构建密码学密钥交换协议。在此协议中，通信双方受益于相互交互，使得被动攻击者通常无法及时获知生成的密钥。通过数值模拟确定了不同攻击方法的成功概率，并从数据中推导了标度律。结果显示，双方仅需增加突触深度即可达到任意期望的安全级别。此时，成功攻击的复杂度呈指数增长，而生成密钥所需的努力仅呈多项式增加。通过将随机输入替换为由双方生成的查询，可进一步提升安全性。