研究人员开发了一个新的鲁棒神经网络分类器理论框架，解决了神经参数化不可识别的挑战。该方法基于S-散度族，无需可识别性假设即可确保经验最小化器收敛到总体最优等价类。在视觉和语言数据集上的实验表明，这种S-散度训练在保持干净数据准确性的同时，实现了与现有鲁棒方法相当的性能。 AI
影响 这项研究为开发更可靠的神经网络分类器提供了理论基础，有望提高其在对噪声和对抗性攻击敏感的实际应用中的性能。
排序理由 该条目是一篇发表在arXiv上的学术论文，详细介绍了一种新的鲁棒神经网络分类器的理论框架和实验结果。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
