PulseAugur
中
实时 14:01:42
English(EN) Learning from almost nothing: How neural networks survive heavy input corruption

神经网络对大量损坏的输入表现出惊人的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员探索了神经网络如何在输入数据严重损坏的情况下仍能保持准确性。他们对多层感知机的实验表明，即使超过90%的输入被损坏，远远超出人类识别能力，网络仍能表现出远高于随机猜测的性能。对无限宽度网络的分析揭示了这些网络实现了一种通用的原型规则，本质上是将输入分配给它们最接近的训练集平均值的类别，这解释了这种惊人的鲁棒性。 AI

影响 展示了神经网络从嘈杂数据中泛化的基本能力，可能影响模型在不完美数据现实场景中的训练和部署方式。

排序理由 详细介绍模型鲁棒性新发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Justin Tahmassebpur, Asadullah Bhuiyan, Hyejin Kim, Omri Lesser ·

    Learning from almost nothing: How neural networks survive heavy input corruption

    arXiv:2606.11319v1 Announce Type: new Abstract: Learning from imperfect data is a central theme in machine learning, connecting practical questions of robustness to fundamental questions of learnability. Here we examine attribute noise: learning from corrupted inputs while keepin…

相关实体

相关话题