为了训练机器学习（ML）模型，应该知道火车集的输入和输出。然后，给定新输入，ML模型试图预测输出。
使用TRNG，只有已知输出（没有输入）。我们仍然可以使用ML模型来预测下一个TRNG输出？
true rngs本质上是不可预测的，任何输入（内部状态）本质上是无法观察的。TRNG的输出应该是马尔可夫过程：这意味着当前输出与过去的所有输出完全无关。
您可以将过去的输出视为"输入"，从某种意义上说，它可能会提供有关发电机内部状态的一些线索。
然后，您可以使用ML尝试在当前和过去的输出之间找到一些链接，如果这样做，以下一个或多个可能是正确的：
- 您的trng并不是真正的随机
- 您的ML找到了一个不存在的模式。像人的大脑一样，即使在不存在的地方，ML也适合模式。这是验证数据集进入的地方。
基本上，如果您对trng充满信心，答案是否。
使用TRNG，只有已知输出（没有输入）。我们仍然可以使用ML模型来预测下一个TRNG输出？
为了预测，您首先需要训练ML模型。对于培训，您需要输入数据。
但是，对于TRNG的用途酶（假设真实的随机数生成器）检查本文：链接