【发布时间】：2019-02-19 18:50:51
【问题描述】：
据我所知，为了训练机器学习 (ML) 模型，应该知道训练集的输入和输出。然后，给定一个新的输入，ML 模型会尝试预测输出。
使用 TRNG，只有输出是已知的（没有输入）。我们还能使用 ML 模型来预测下一个 TRNG 输出吗？
【问题讨论】：
标签： machine-learning trng
【发布时间】：2019-02-19 18:50:51
【问题描述】：
真正的 RNG 本质上是不可预测的，任何输入（内部状态）本质上都是不可观察的。 TRNG 的输出应该是一个马尔科夫过程：意味着当前输出与所有过去的输出完全无关。
您可以将过去的输出视为“输入”，因为它可能会提供有关生成器内部状态的一些线索。
然后，您可以使用 ML 尝试在当前输出和过去输出之间找到某种联系，如果这样做，以下一项或多项可能是正确的：
- 你的 TRNG 不是真正随机的
- 您的机器学习发现了一个不存在的模式。与人类大脑一样，ML 将适应模式，即使它们不存在。这就是验证数据集的用武之地。
所以基本上，如果你对 TRNG 有信心，答案是否定的。
【讨论】：
-
是的，我明白你的意思。您知道可用于此类任务（使用部分输出作为输入）的 ML 模型吗？
-
检查“时间序列预测”。这可能用于这个问题。
使用 TRNG，只有输出是已知的（没有输入）。我们还能使用 ML 模型来预测下一个 TRNG 输出吗？
为了进行预测，您首先需要训练一个机器学习模型。对于训练，您需要输入数据。
但是对于TRNG的用例（假设为真随机数生成器）请查看这篇文章：link
【讨论】：