如果一组计算机具有相同的人工神经网络，具有完全相同的学习数据集，并且都具有加密和解密功能，那么拦截器是否有任何方法可以解释加密数据？
+ 应用具有更多背景信息的人从同一来源获得更多知识的事实，ANN 是否有可能根据他们的访问级别解释数据？（每个级别都有不同数量的“背景信息”）
例如，如果有一个加密的文本文件，访问级别最高的计算机会将数据完全解密为纯文本，而访问级别较低的计算机只会解密其中的一半（解密后的一半变成纯文本）。
如果上述方法可以存在，与现有技术相比，它们的优缺点是什么？（AES、Blowfish 等）
我知道为了讨论你的问题，我必须有密码学背景，而我没有！但有一点我是肯定知道的：
首先，一个简单的搜索给了我这个。它可能会有所帮助。
对我们很多人来说，ANN 就像一根魔杖，几乎可以把所有东西变成任何东西。但关键是，ANN 只是一种 ML 算法，但绝对是一种强大的算法。您应该知道，ANN 中存在随机和多重权重初始化，这意味着您的网络具有相当随机的行为，仅在具有大量训练数据的浅层网络中才会消失。您的网络规范甚至可能会受到训练阶段提供实例的顺序的影响。因此，如果我认为加密/解密过程“消息转换的某些规则”是真的，那么随机网络确实是一个复杂的选择（但根据神经密码学研究领域的科学家的说法，完全可能）
您可能正在考虑自动编码网络，一种映射X到X并且有一个瓶颈，因此如果训练成功，它已经开发出将数据特征的数量从 10000 个减少到 500 个的能力，然后成功地从 500 个特征中检索具有 10000 个特征的原始数据; 这样，如果我将一个新实例提供给经过训练的自动编码网络，在瓶颈层抓取它并将其发送给您，您必须能够将消息提供给瓶颈层并从输出层。但是（总是）有一个问题！那就是你需要一个真正“大”的数据集来训练你的深度网络。此外，你不能指望它在经过固定数量的训练后在各种数据上都能很好地工作。例如，如果您在训练阶段喂食的只是猫，您的网络无法成功检索狗的图像 和蜥蜴的图像。那么你能保证要编码的新消息与训练集中的消息具有相同的类型吗？！如果不是，那么您也可以考虑这一挑战。