AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-26

অত্যন্ত বিকৃত ইনপুটে প্রশিক্ষণ দিলে নিউরাল নেটওয়ার্ক সেন্ট্রয়েড ক্লাসিফায়ারে পরিণত হয়

মূল শিরোনাম: Neural networks become centroid classifiers when trained on heavily corrupted inputs

লেখকেরা অ্যাট্রিবিউট নয়েজ নিয়ে অধ্যয়ন করেছেন, যেখানে ইনপুট বিকৃত হয় কিন্তু লেবেল অক্ষত থাকে, এবং দেখেছেন যে ৯০%-এর বেশি ইনপুট বিকৃত হলেও MLP সুযোগের চেয়ে অনেক বেশি নির্ভুলতা বজায় রাখে। মিন-ফিল্ড-অনুপ্রাণিত পদ্ধতিতে অসীম-প্রস্থ নেটওয়ার্ক বিশ্লেষণ করে তাঁরা দেখিয়েছেন যে নেটওয়ার্কটি একটি নিকটতম-শ্রেণি-গড় (nearest-class-mean) শ্রেণিবিন্যাসকারী হিসেবে কাজ করে, যা প্রতিটি টেস্ট পয়েন্টকে সেই শ্রেণিতে বরাদ্দ করে যার প্রশিক্ষণ গড়ের সাথে এটি সবচেয়ে বেশি মিলে যায়; এই নিয়মটি বিভিন্ন গভীরতা, অ্যাক্টিভেশন ফাংশন ও নয়েজ বণ্টনে বজায় থাকে। একই সেন্ট্রয়েড প্রক্রিয়া সসীম-প্রস্থ নেটওয়ার্কের আচরণের সাথে মেলে এবং ব্যাখ্যা করে কেন প্রতিটি প্রশিক্ষণ উদাহরণে প্রায় কোনো সংকেত না থাকলেও শেখা সফল হতে পারে।

মূল লেখা পড়ুন ↗

সব আইটেম →