面向自然图像空间中神经网络的理解
计算机视觉与模式识别
2019-02-12 v2
摘要
在数据集成偏和对抗样本这两大不确定性普遍存在于最先进的深度神经网络 AI 算法中。本文对这些问题的直观解释以及对深度网络在自然图像空间中性能的解读予以呈现。该解释由两部分组成：神经网络的哲学与一种自然图像空间的假设模型。遵循该解释，我们 1）证明训练样本的价值存在差异；2）通过在训练中引入额外的“随机噪声”类别，对 CIFAR-10 分类器的准确率实现渐进式提升；3）通过检测并排除持续被误分类的虚幻训练样本，缓解过拟合从而增强对对抗样本的鲁棒性。因此我们的总体贡献有两方面。首先，尽管大多数现有算法平等对待数据且对更多数据有强烈需求，我们相反地证明单个数据有时会产生不成比例且适得其反的影响，且用更多数据训练神经网络并非总是更好。其次，我们考虑更周全的策略，通过考虑深度网络所应用的自然图像空间的几何与拓扑性质。
引用
@article{arxiv.1801.09097,
title = {Towards an Understanding of Neural Networks in Natural-Image Spaces},
author = {Yifei Fan and Anthony Yezzi},
journal= {arXiv preprint arXiv:1801.09097},
year = {2019}
}