Anais - Engenharia de Redes de Comunicação - UnB

Figura 2. Modelo matemático de um neurônio artificial, com as entradas
x 1 , x 2 , . . . , x n , pesos w 1 , w 2 , . . . , w n , saída y e corpo com a somatória de x i w i e
função de ativação f(u). Fonte: próprio autor
Neurônios individuais são computacionalmente limitados, mas conjuntos de
neurônios organizados em forma de rede podem resolver problemas mais complexos
[Braga et al. 2007]. Para isso, se organizam redes de neurônios artificiais com
quantia de camadas variadas e com conexão entre si unidirecionais (feedforward)
ou recorrentes, com saídas da camada inferior alimentando entradas da camada
superior [Braga et al. 2007].
As RNAs são treinadas para aprender e melhorar sua performance na resolução
de um problema [Haykin 1999]. Esse treinamento consiste de um processo
iterativo de ajuste dos pesos das conexões [Braga et al. 2007] em que as entradas da
rede são alimentadas e, de acordo com o resultado, os pesos são ajustados. O ajuste
dos pesos é dado por w(t + 1) = w(t) + ∆w(t), com w(t + 1) sendo o valor do peso
no instante t + 1 e ∆w(t) o ajuste aplicado aos pesos.
O treinamento ou aprendizado pode ser supervisionado ou não supervisionado.
No treinamento supervisionado, há um supervisor estimulando as entradas e
ajustando os pesos para aproximar sua saída da saída desejada. No treinamento não
supervisionado, padrões são apresentados continuamente à rede e as regularidades
nos dados apresentados torna o aprendizado possível [Braga et al. 2007].
A regra de aprendizado de Hebb, uma das regras de aprendizado usadas na
criptografia neural, que propõe que o peso deve ser ajustado caso haja sincronismo
entre atividades de entrada e saída, é classificada como não supervisionada [Braga
et al. 2007].
4. Criptografia Neural
A sincronização de redes neurais é um caso especial de aprendizado onde duas redes
neurais são iniciadas com pesos escolhidos aleatoriamente e, a cada passo do processo
de sincronização, recebem um vetor de entradas gerado publicamente, calculam suas
saídas e as comunicam uma para a outra. Caso o mapeamento entre a entrada atual
e a saída de ambas as redes não seja igual, os pesos da rede são atualizados de acordo
com uma das regras aplicáveis [Ruttor 2007].
Nas redes neurais mais simples, como os perceptrons, não se observa diferença
significativa entre o tempo para a rede ser treinada por exemplos do tempo necessário
para sincronizar, porém redes neurais com uma estrutura específica, as Tree Parity
313