La IA y los problemas difíciles del mundo · Informática teórica · arXiv · 2026-10-26
Las redes neuronales se convierten en clasificadores de centroides cuando se entrenan con entradas muy corrompidas
Título original: Neural networks become centroid classifiers when trained on heavily corrupted inputs
Los autores estudian el ruido de atributos, en el que las entradas se corrompen mientras las etiquetas permanecen intactas, y encuentran que los MLP mantienen una precisión muy superior al azar incluso cuando más del 90% de las entradas están corruptas. Al analizar redes de ancho infinito con un enfoque inspirado en el campo medio, demuestran que la red actúa como un clasificador de la media de clase más cercana que asigna cada punto de prueba a la clase cuyo promedio de entrenamiento más se le parece, una regla que se mantiene en distintas profundidades, funciones de activación y distribuciones de ruido. El mismo mecanismo del centroide coincide con el comportamiento de ancho finito y explica por qué el aprendizaje puede tener éxito incluso cuando los ejemplos de entrenamiento individuales apenas aportan señal.