Навейн Суреш и Кешав Шах
Введение
Машинное обучение и все его невероятные возможности неуклонно действуют сами по себе, но что, если бы существовал способ связать способы защиты личных данных с архитектурами машинного обучения. В этой статье мы хотим изучить пересечение областей криптографии и теории игр и то, как их можно использовать в мире машинного обучения. Сначала мы познакомимся с теорией игр и криптографией, а затем подробно рассмотрим машинное обучение и то, как его можно использовать для прогнозирования и маркировки сложных данных.
Краткий обзор теории игр
Начнем с понимания того, что такое теория игр. Теория игр - это раздел математики, который сосредоточен на изучении стратегических взаимодействий во время «игры». Сделаем несколько ключевых предположений об этой «игре»:
- Есть определенная структура и установленный набор правил
- Люди, участвующие в игре, принимают рациональные решения (следуют наилучшей стратегии)
По большей части, по крайней мере для наших целей, игры можно разделить на последовательные или одновременные. Последовательные игры - это когда игроки принимают решение одновременно, а результаты представляются с помощью матрицы выигрышей. С другой стороны, в одновременных играх игроки принимают решения одновременно, а возможные результаты отображаются с помощью дерева решений. Существует огромное количество исполняемых стратегий в зависимости от конкретной проблемы, яркими примерами которых могут быть чистые и смешанные стратегии, равновесия по Нэшу, доминирующие стратегии и другие.
Доминирующая стратегия в теории игр - это когда независимо от того, что выбирают другие участники игры, ваше решение будет преобладать и приведет к лучшему результату. Не обязательно есть доминирующие стратегии для каждой игры.
Равновесие Нэша - еще одна область, представляющая особый интерес для теории игр. Равновесие Нэша для конкретного случая предоставляет набор стратегий, так что ни у одного игрока нет стимула менять свою стратегию. Джон Нэш доказал, что каждая конечная игра (конечное число стратегий и конечное число игроков) имеет по крайней мере одно равновесие по Нэшу. Каждый результат должен быть проверен (в матрице выигрыша), чтобы убедиться, что каждый человек удовлетворен своим выбором. Равновесия Нэша бывают двух видов: Pure Strategy N.E. и смешанная стратегия N.E. Одна из этих двух стратегий должна существовать.
Чистая стратегия Равновесие Нэша - это когда человек имеет 100% шанс (определенный) выбрать конкретную стратегию, так что он не сожалеет о том, что другие игроки принимают решение. конкретные действия, обеспечивающие стабильность ситуации и возможность выбора стратегии другим игроком без стопроцентной уверенности в проигрыше.
Один важный термин, введенный в теорию игр, - это игра с нулевой суммой. Игры с нулевой суммой определяются таким образом, что всякий раз, когда один выигрывает, остальные игроки (будь то еще 1 человек или еще 100) проигрывают. Чистое изменение в этом случае равно 0. Стратегии равновесия Нэша - это один из способов решения игр с нулевой суммой. Реальные примеры игр с «нулевой суммой» включают шахматы и «камень-ножницы-бумага». Когда один человек пытается максимизировать свою награду, награда другого игрока обязательно сводится к минимуму.
Теорема минимакса тесно связана с играми с нулевой суммой. Идея теоремы о минимаксе связана с максимизацией полезности / выгоды при наихудшем сценарии. Формальное определение математически приводится ниже:
Применительно к играм с нулевой суммой это эквивалентно установлению равновесия по Нэшу (для создания стабильной ситуации без какого-либо сожаления, связанного с любым из игроков).
Введение в криптографию
Теперь мы можем перейти к криптографии. Во-первых, давайте разберемся, что такое криптография в широком смысле? Что ж, криптография - это просто метод защиты данных и информации с помощью определенных кодов, так что доступ к информации может получить только человек, для которого она предназначена.
Неразличимость
Процесс использования неразличимости зашифрованного текста используется в основе многих систем шифрования в реальном мире для предотвращения кибератак. Идея этих систем заключается в том, что внешний источник не может шифровать шифрованные тексты, даже если они содержат определенные ключевые слова или текст в сообщении. Теперь давайте обсудим, что это на самом деле означает в широком смысле шифрования.
Шифрование
Само шифрование представляет собой подраздел криптографии, который включает в себя скремблирование данных для предоставления информации безопасным способом, при котором только уполномоченный персонал может расшифровать данные и раскрыть сообщение, стоящее за шифрованием. Само шифрование выполняется с помощью так называемого ключа шифрования: математической связи, используемой между отправителем и получателем данных, которые не могут использоваться внешними источниками, чтобы они могли безопасно зашифровать методы по одностороннему пути.
Ключи шифрования не могут быть взломаны, если только метод грубой силы (угадывание) не может вычислить ключ шифрования с использованием методов угадывания и проверки. Это очень маловероятно, поскольку существуют миллионы комбинаций ключей шифрования, из-за которых методы грубой силы практически невозможно точно угадать.
Типы шифрования
Симметричное шифрование: для шифрования и дешифрования используется только один ключ. Это, очевидно, зависит от того, имеют ли обе стороны доступ к ключу, и обе стороны должны обеспечивать достаточную безопасность, чтобы не было третьей стороны, которая могла бы встретиться с ключом шифрования и удержать передачу данных между двумя предполагаемыми сторонами.
Асимметричное шифрование: этот тип шифрования включает разные ключи как отправителя, так и получателя, чтобы данные можно было как зашифровать, так и расшифровать. Это означает, что отправитель и получатель используют 2 разных типа ключей, чтобы этот процесс происходил. Этот тип шифрования также известен как шифрование с открытым ключом, поскольку он включает использование пар с открытым ключом и закрытым ключом, что в основном предполагает, что данные, зашифрованные с помощью частного ключа, могут быть дешифрованы только с помощью открытого ключа и наоборот.
Шифрование с нулевым разглашением
Шифрование с нулевым разглашением предполагает использование математических методов для проверки атрибутов данных или знаний без необходимости раскрытия базовых данных или источников, используемых для этой проверки. Это шифрование может быть широко внедрено в реальный мир, поскольку денежные транзакции обычно используют этот метод, поскольку они просто не могут получить доступ к балансу чьей-либо кредитной карты и завершить платеж без необходимости доступа к другой связанной информации, связанной с вашей кредитной картой. Шифрование с нулевым разглашением - это полностью вероятностная оценка, что означает, что оно не имеет достоверности, а скорее анализирует небольшие фрагменты несвязанных данных, чтобы доказать, что может быть вероятным.
А. В двух словах
Искусственный интеллект можно определить, придав компьютерам характеристики человека, которые нельзя воспроизвести с помощью обычных методов информатики. К ним относятся, помимо прочего, логическое мышление, творчество, принятие решений, язык и социальные навыки. Эти атрибуты передаются на компьютеры с помощью машинного обучения.
Машинное обучение
Машинное обучение - это конвейер, в котором данные (как входные, так и выходные) объединяются с определенным алгоритмом для создания множества выводов на основе данных, которые могут быть в форме прогнозов (контролируемое машинное обучение), шаблонов (неконтролируемое машинное обучение) или решений. (RL)
Контролируемое обучение: с учетом данных, которые помечены, цель состоит в том, чтобы предсказать ярлыки немаркированных данных. Другими словами, это машинное обучение с известным результатом, при котором определяется лучший алгоритм для достижения этого результата. (Регрессии)
Обучение без учителя: учитывая набор данных, найдите структуры и шаблоны. Результат или конечная цель неизвестны, поэтому создаются алгоритмы для обобщения и группировки данных (кластеризация).
Обучение с подкреплением: здесь агент учится в своей среде. Посредством испытаний он исследует весь спектр возможностей для определения идеального поведения, чтобы максимизировать вознаграждение и минимизировать риск. Состояние ввода наблюдает агент.
- Функция принятия решения используется агентом для выполнения действия.
- Агент получает вознаграждение или подкрепление / обратную связь от окружения.
- Информация о действии и состоянии награды сохраняется.
Исходя из типов машинного обучения, мы переходим к функциям, меткам и моделям. Функции - это просто входные переменные x в наших данных, метки - это наши выходные переменные или переменные y из данных, а модели - это просто отношения, которые формируются между x и y. Это приводит к различию между классификацией и регрессией, двумя основными типами отношений, которые могут быть установлены между x и y.
Классификация против регрессии
Регрессия используется для моделей машинного обучения с учителем, где данные предварительно помечены, поэтому, например, прогнозы будущих цен на жилье на основе того, сколько лет дому, будет правильным применением использования регрессии. С другой стороны, классификация помещает данные в определенную категорию на основе вероятности. В классификации используются кривые логистической регрессии, чтобы классифицировать данные двух или более классов, чтобы модель могла наилучшим образом сопоставить ее с тем, где она принадлежит на сигмовидной кривой. Классификация просто выводит категориальный стиль вывода, например, проверка того, является ли электронное письмо спамом. Очевидно, что каждое электронное письмо в Интернете не может быть помечено как спам или нет, поэтому электронные письма можно классифицировать с использованием некоторых слов, используемых в каждом электронном письме, а затем модель машинного обучения может создать кривую вероятности на основе вероятности того, что конкретное электронное письмо будет спам или нет.
Резюме
Эти основы конвейера машинного обучения показывают, как данные не только используются для ввода и вывода, но и могут использоваться в широком смысле, чтобы делать обоснования на основе шаблонов, окружающих данные. Это позволяет компьютерам делать выводы, которые находятся на гораздо более высоком уровне, чем простая компьютерная программа, возвращающая заранее запрограммированный результат, поэтому название искусственный интеллект оправдано.
Как эти поля пересекаются?
GAN (генерирующие состязательные сети), обучение с подкреплением, многоагентные системы искусственного интеллекта и т. Д.… Имеют обширное применение теории игр. Фактически, многие онлайн-игры, в которые играют сегодня, сильно зависят от обеих этих областей исследования. Регулирование дорожного движения с помощью беспилотных автомобилей на базе искусственного интеллекта. Когда эти автомобили продумываются и представляются с помощью инструментов теории игр, ситуация становится управляемой. Однако без представления теории игр каждая машина принимает решение, которое не обязательно выгодно для всей дорожной пробки, вызывая потенциальные проблемы. Таким образом, при использовании таких инструментов, как Nash Equilibrium, мы можем найти решение, в котором у каждого игрока (в данном случае автомобилей) есть выход из пробки, где этот автомобиль в противном случае не решил бы изменить свое решение. При этом можно использовать оптимальный алгоритм, в конечном итоге распределяющий трафик.
Заключение
Сферы, которые традиционно считались весьма абстрактными и изолированными, теперь объединяются для решения современных проблем. Что еще более вдохновляет и удивляет, так это то, что во всех этих областях ведутся активные исследования, которые приближают нас к тому, чтобы сделать нашу жизнь лучше и безопаснее.
«Единственное, что превосходит силу разума, - это отвага сердца»
- Джон Нэш
Источники:
Https://www.cloudflare.com/learning/ssl/what-is-encryption/
Https://sectigo.com/resource-library/public-key-vs-private-key
