AI 與世界的難題 · 理論資訊科學 · arXiv · 2026-10-26
神經網路在以嚴重損毀的輸入訓練時會成為質心分類器
原標題: Neural networks become centroid classifiers when trained on heavily corrupted inputs
作者研究屬性雜訊,也就是輸入遭到破壞而標籤保持完整的情況,並發現即使超過 90% 的輸入被破壞,多層感知器(MLP)仍能維持遠高於隨機水準的準確率。他們以受平均場啟發的方法分析無限寬度網路,證明該網路的行為等同於最近類別均值分類器,即將每個測試點歸入其訓練平均值最相近的類別,且此規則在不同深度、激活函數與雜訊分佈下皆成立。同樣的質心機制也符合有限寬度網路的行為,並解釋了為何即使個別訓練樣本幾乎不含任何訊號,學習仍然可以成功。