神经 ODE 的噪声学习起到鲁棒性区间拓宽作用
机器学习
2022-06-17 v1
摘要
我们研究了评估基于微分方程（DE）的网络在合成分布偏移下的鲁棒性时所面临的问题与挑战。我们提出了一种新颖且简单的精度度量，可用于评估内在鲁棒性并验证数据集损坏模拟器。我们还给出了方法学建议，旨在评估神经 DE 鲁棒性的多方面表现，并用于与离散对应模型进行严格比较。随后，我们利用该准则评估了一种廉价的数据增强技术，作为在多个数据集上展示神经 ODE 对模拟图像损坏具有天然鲁棒性的可靠手段。
引用
@article{arxiv.2206.08237,
title = {Noisy Learning for Neural ODEs Acts as a Robustness Locus Widening},
author = {Martin Gonzalez and Hatem Hajri and Loic Cantat and Mihaly Petreczky},
journal= {arXiv preprint arXiv:2206.08237},
year = {2022}
}
备注
Accepted at ICLM 2022 Workshop "PODS"