AI dan Masalah-Masalah Sulit Dunia · Ilmu komputer teoretis · arXiv · 2026-10-26
Jaringan saraf menjadi pengklasifikasi centroid ketika dilatih pada input yang sangat terkorupsi
Judul asli: Neural networks become centroid classifiers when trained on heavily corrupted inputs
Para penulis mempelajari noise atribut, yaitu kondisi ketika input rusak sementara label tetap utuh, dan menemukan bahwa MLP tetap mempertahankan akurasi jauh di atas peluang acak bahkan ketika lebih dari 90% input rusak. Dengan menganalisis jaringan berlebar tak hingga menggunakan pendekatan yang terinspirasi mean-field, mereka menunjukkan bahwa jaringan bertindak sebagai pengklasifikasi nearest-class-mean yang menetapkan setiap titik uji ke kelas yang rata-rata data latihnya paling mirip, sebuah aturan yang berlaku pada berbagai kedalaman, fungsi aktivasi, dan distribusi noise. Mekanisme centroid yang sama sesuai dengan perilaku pada lebar terhingga dan menjelaskan mengapa pembelajaran dapat berhasil meskipun masing-masing contoh latih hampir tidak membawa sinyal.