AI اور دنیا کے مشکل مسائل · نظریاتی کمپیوٹر سائنس · arXiv · 2026-10-26

شدید خراب شدہ ان پٹس پر تربیت دینے سے نیورل نیٹ ورکس سینٹروئڈ کلاسیفائر بن جاتے ہیں

اصل عنوان: Neural networks become centroid classifiers when trained on heavily corrupted inputs

مصنفین انتساب شور (attribute noise) کا مطالعہ کرتے ہیں، جس میں ان پٹس خراب ہو جاتے ہیں جبکہ لیبلز برقرار رہتے ہیں، اور پاتے ہیں کہ MLPs اس وقت بھی اتفاقی سطح سے کہیں زیادہ درستگی برقرار رکھتے ہیں جب 90% سے زیادہ ان پٹس خراب ہوں۔ میان فیلڈ سے متاثر طریقے سے لامحدود چوڑائی والے نیٹworks کا تجزیہ کرتے ہوئے وہ دکھاتے ہیں کہ نیٹ ورک ایک نزدیک ترین کلاس اوسط درجہ بند (nearest-class-mean classifier) کی طرح کام کرتا ہے جو ہر ٹیسٹ پوائنٹ کو اس کلاس میں رکھتا ہے جس کی تربیتی اوسط سے وہ سب سے زیادہ مشابہ ہو، اور یہ قاعدہ مختلف گہرائیوں، ایکٹیویشن فنکشنز اور شور کی تقسیموں میں برقرار رہتا ہے۔ یہی مرکزی نقطے کا طریقہ کار محدود چوڑائی کے رویے سے مطابقت رکھتا ہے اور یہ بھی واضح کرتا ہے کہ سیکھنا اس وقت بھی کیوں کامیاب ہو سکتا ہے جب انفرادی تربیتی مثالوں میں تقریباً کوئی سگنل نہ ہو۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →