IA e os Problemas Difíceis do Mundo · Ciência da computação teórica · arXiv · 2026-10-26
Redes neurais tornam-se classificadores de centroide quando treinadas com entradas fortemente corrompidas
Título original: Neural networks become centroid classifiers when trained on heavily corrupted inputs
Os autores estudam o ruído de atributos, em que as entradas são corrompidas enquanto os rótulos permanecem intactos, e constatam que os MLPs mantêm uma acurácia bem acima do acaso mesmo quando mais de 90% das entradas estão corrompidas. Analisando redes de largura infinita com uma abordagem inspirada em campo médio, eles mostram que a rede atua como um classificador de média de classe mais próxima, que atribui cada ponto de teste à classe cuja média de treinamento ele mais se assemelha, uma regra que vale para diferentes profundidades, funções de ativação e distribuições de ruído. O mesmo mecanismo de centroide corresponde ao comportamento de largura finita e explica por que o aprendizado pode ter sucesso mesmo quando os exemplos de treinamento individuais carregam quase nenhum sinal.