論文の概要: Neural Variability Enhances Artificial Network Robustness

• arxiv url: http://arxiv.org/abs/2606.13801v1
• Date: Thu, 11 Jun 2026 18:15:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.567418
• Title: Neural Variability Enhances Artificial Network Robustness
• Title（参考訳）: ニューラルネットワークのロバスト性を高めるニューラルバリアビリティ
• Authors: Robin Preble, Praveen Venkatesh, Stefan Mihalas, Kameron Decker Harris,
• Abstract要約: ノイズと信号の相関は、動物の識別に最適化されるが、ANN(Artificial Neural Network)の研究は、機械学習タスクにおいて同様のノイズの利点を示している。 本稿では, 相関雑音が, 逆攻撃や自然な画像修正に対して, ニューラルネットワークのロバスト性を改善するか否かを検討する。
• 参考スコア（独自算出の注目度）: 3.314766137078935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural responses in cortex exhibit substantial trial-to-trial variability in response to repeated stimuli, while peripheral sensory neurons respond far more consistently, leading many to wonder whether stochasticity may carry meaning. Existing work has argued that noise and signal correlations may be optimized for discrimination in animals, whereas artificial neural network (ANN) studies have shown similar benefits of noise in machine learning tasks, although most ANN work has neglected the effects of correlations. Here we investigate whether correlated noise improves the robustness of artificial neural networks to adversarial attacks and naturalistic image modifications. Using the covariance of activations under modified versus clean inputs, we find that structured noise may significantly improve network robustness. Robustness to naturalistic image modifications benefits most from structure, but this structure transfers poorly across modification types. In contrast, noise structure from adversarial attacks can generalize to other kinds of attacks. These results suggest that structured noise in ANN activations generally improves robustness, establishing a biologically plausible strategy for creating robust artificial neural networks that only relies on local information.
• Abstract（参考訳）: 大脳皮質の神経反応は、繰り返し刺激に反応して、相当な試行錯誤を示し、周辺感覚ニューロンはより一貫して反応し、確率性が意味を持つかどうかを疑問視する者も多い。 既存の研究は、ノイズと信号の相関は動物の識別に最適化されると主張しているが、人工ニューラルネットワーク(ANN)の研究は、機械学習タスクにおいて同様のノイズの利点を示しているが、ほとんどのANNの研究は相関の影響を無視している。 本稿では, 相関雑音が, 逆攻撃や自然な画像修正に対して, ニューラルネットワークのロバスト性を改善するか否かを検討する。 改良された入力とクリーンな入力の下でのアクティベーションの共分散を利用して、構造化ノイズはネットワークのロバスト性を大幅に向上させる。 自然主義的な画像修正に対するロバストさは、ほとんどの場合、構造から恩恵を受けるが、この構造は修正タイプ間での移動が不十分である。 対照的に、敵攻撃によるノイズ構造は、他の種類の攻撃に一般化することができる。 これらの結果は、ANNアクティベーションにおける構造化ノイズは、一般にロバスト性を改善し、局所情報のみに依存する堅牢な人工ニューラルネットワークを構築するための生物学的に妥当な戦略を確立することを示唆している。

関連論文リスト

• Credit Assignment via Neural Manifold Noise Correlation [0.0]
  クレジットの割り当ては、脳や機械での学習の中心である。 騒音相関による活動の摂動と出力変化の相関による勾配推定 本稿では,ニューラル多様体に限定した摂動を用いた信頼割当を行うニューラル多様体雑音相関法を提案する。
  論文  参考訳（メタデータ） (2026-01-06T01:17:55Z)
• NCCR: to Evaluate the Robustness of Neural Networks and Adversarial Examples [11.038285179317114]
  本研究では, ニューラルネットワーク被覆変化率 (NCCR) と呼ばれる, 攻撃に対する深層学習モデルの能力を測定する指標を提案する。 NCCRは入力が摂動されたとき、特定の選択されたニューロンの出力の変化を監視する。 画像認識実験と話者認識モデルの結果から,ニューラルネットワークやその入力のロバスト性を評価するための指標が得られた。
  論文  参考訳（メタデータ） (2025-07-29T03:58:20Z)
• A Tunable Despeckling Neural Network Stabilized via Diffusion Equation [15.996302571895045]
  ニューラルネットワークの実際のデータへの適応性を判断するための基準として、Adrialversa攻撃を用いることができる。 本稿では,ニューラルネットワークブロックと拡散正則性ブロックを1つのネットワークにアンロールしてエンドツーエンドのトレーニングを行う,チューニング可能な正規化ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-24T17:08:43Z)
• Impact of white noise in artificial neural networks trained for classification: performance and noise mitigation strategies [0.0]
  ニューロンレベルでの加法的および乗法的なガウスホワイトノイズがネットワークの精度に与える影響を考察する。 我々はいくつかのノイズ低減手法を分類タスクの基本設定に適用する。
  論文  参考訳（メタデータ） (2024-11-07T01:21:12Z)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。