الذكاء الاصطناعي ومشكلات العالم الصعبة · علوم الحاسوب النظرية · arXiv · 2026-10-26

تتحول الشبكات العصبية إلى مصنّفات مركزية عند تدريبها على مدخلات مشوَّهة بشدة

العنوان الأصلي: Neural networks become centroid classifiers when trained on heavily corrupted inputs

يدرس المؤلفون ضجيج السمات، حيث تُشوَّه المدخلات بينما تبقى التسميات سليمة، ويجدون أن الشبكات العصبية متعددة الطبقات (MLP) تحتفظ بدقة أعلى بكثير من مستوى الصدفة حتى عندما تتعرض أكثر من 90% من المدخلات للتشويه. وبتحليل شبكات لا نهائية العرض بمنهج مستوحى من المجال المتوسط، يبيّنون أن الشبكة تعمل كمصنِّف أقرب متوسط فئة، يُسند كل نقطة اختبار إلى الفئة التي يشبه متوسط تدريبها نقطةَ الاختبار أكثر، وهي قاعدة تصمد عبر الأعماق ودوال التنشيط وتوزيعات الضجيج. وتتطابق آلية المركز نفسها مع سلوك الشبكات محدودة العرض، وتفسّر سبب إمكان نجاح التعلم حتى عندما لا تحمل أمثلة التدريب الفردية أي إشارة تقريبًا.

اقرأ المصدر الأصلي ↗

جميع العناصر →