論文の概要: Should All Noises Be Treated Equally: Impact of Input Noise Variability on Neural Network Robustness

• arxiv url: http://arxiv.org/abs/2609.14504v1
• Date: Sun, 13 Sep 2026 13:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.83094
• Title: Should All Noises Be Treated Equally: Impact of Input Noise Variability on Neural Network Robustness
• Title（参考訳）: すべてのノイズを平等に扱うべきか:入力雑音の変動がニューラルネットワークのロバスト性に及ぼす影響
• Abstract要約: ディープラーニングは、特にアウト・オブ・ディストリビューション条件下では、トレーニングノイズの性質に非常に敏感である。 本研究では, ニューラルネットワークの性能, 一般化, 堅牢性に対するタイプ, スケール, 複雑性などのノイズパラメータの影響について検討した。
• 参考スコア（独自算出の注目度）: 0.5188499345298442
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Geophysical data collected from active field sites are often contaminated by complex and heterogeneous noise, obscuring weak seismic events, and complicating automated interpretation. Although deep learning offers promising solutions for seismic processing, its performance is highly sensitive to the nature of training noise, especially under out-of-distribution (OOD) conditions. This study investigates the influence of noise parameters, such as type, scale, and complexity on the performance, generalization and robustness of neural networks in two geophysical tasks: first break picking and denoising. We simulate seismic-while-drilling data and apply controlled input source noise augmentation using stochastic generators to vary the noise characteristics. Different neural networks are trained on fixed noise types and scales, then evaluated across both seen and unseen noise scenarios. We incrementally increase the complexity of the noise by introducing compound noise mixtures and assess the performance of the model under increasingly challenging OOD conditions. This yields a robustness matrix that captures the generalizability of each model relative to its training configuration. Results indicate that larger noise scales boost generalization, and that effective alignment between noise type, task complexity, and architecture is key for maximizing generalization gains. In addition, training with compound noises mitigate weaknesses associated with single-noise training, acting as an additional implicit regularizer to improving robustness. These findings highlight key factors influencing model resilience in noisy geophysical environments and offer guidance for developing deep learning models that generalize effectively across diverse and unpredictable noise conditions.
• Abstract（参考訳）: 活動場から収集された地球物理データは、しばしば複雑で不均一な騒音によって汚染され、弱い地震現象を隠蔽し、自動解釈を複雑にする。 深層学習は耐震処理に有望なソリューションを提供するが、その性能はトレーニングノイズの性質、特にアウト・オブ・ディストリビューション(OOD)条件において非常に敏感である。 本研究では, 2つの物理課題におけるニューラルネットワークの性能, 一般化, 堅牢性に対する, タイプ, スケール, 複雑さなどのノイズパラメータの影響について検討した。 本研究では, 地震時減衰データをシミュレートし, 確率発生器を用いた制御入力源雑音増幅を適用し, ノイズ特性を変化させる。 異なるニューラルネットワークは、固定されたノイズタイプとスケールに基づいてトレーニングされ、その後、目に見えないノイズシナリオと見えないノイズシナリオの両方で評価される。 複雑なノイズ混合を導入することで、ノイズの複雑さを漸進的に増加させ、より困難なOOD条件下でモデルの性能を評価する。 これによりロバスト性行列が得られ、トレーニング構成に対して各モデルの一般化可能性を取得する。 その結果,より大きなノイズスケールが一般化を促進することが示唆され,ノイズタイプ,タスク複雑性,アーキテクチャの効果的なアライメントが一般化ゲインの最大化の鍵となる。 さらに、複合雑音による訓練は、単一雑音訓練に伴う弱点を緩和し、ロバスト性を改善するための追加の暗黙の正則化剤として機能する。 これらの知見は、ノイズの多い物理環境におけるモデルレジリエンスに影響を与える重要な要因を浮き彫りにし、様々な予測不可能な騒音条件を効果的に一般化するディープラーニングモデルを開発するためのガイダンスを提供する。

関連論文リスト

• Learning to Act under Noise: Enhancing Agent Robustness via Noisy Environments [68.02342920827135]
  エージェント学習プロセスに環境欠陥を明示的に組み込んだエージェント学習フレームワークであるNoisyAgentを提案する。 実世界のシナリオでは,ユーザインタラクションにおけるあいまいさと可変性を捉えるユーザノイズと,ツール実行における障害や異常を反映するツールノイズという,2つの主要なインタラクションノイズ源を識別する。 広汎な実験により,本手法は騒音および動的環境下でのエージェントの堅牢性を常に改善することを示した。
  論文  参考訳（メタデータ） (2026-05-26T16:02:00Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• Real Noise Decoupling for Hyperspectral Image Denoising [14.247569090609828]
  ハイパースペクトル画像(HSI)は,HSIの質を高めるための重要なステップである。 ノイズモデリング手法は、雑音分布に適合して合成HSIを生成し、デノナイジングネットワークを訓練する。 本稿では,複雑なノイズを明示的にモデル化し,暗黙的にモデル化したコンポーネントに分解する多段階ノイズ分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-21T12:23:07Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Understanding the Effect of Noise in LLM Training Data with Algorithmic Chains of Thought [0.0]
  思考の連鎖におけるノイズが,高度に制御された環境下でのタスクパフォーマンスに与える影響について検討する。 本研究では,CoTトレース処理後に適用される局所的な雑音と,トレース処理時にエラーを伝播する大域的なノイズであるテクトダイナミックノイズの2種類を定義した。 微調整されたモデルでは、高レベルの静的ノイズに対して非常に頑健であるが、低レベルの動的ノイズに対してかなり苦労している。
  論文  参考訳（メタデータ） (2024-02-06T13:59:56Z)
• Robustness Enhancement in Neural Networks with Alpha-Stable Training Noise [0.0]
  本研究では,非ガウス音,特にアルファ安定雑音に対する強い強靭性の可能性について検討する。 ガウス雑音とアルファ安定雑音で訓練したモデルの試験精度を比較することで,ガウス雑音よりもアルファ安定雑音で訓練した方が有効であることがわかった。 トレーニングデータに通常付加されるガウス雑音をアルファ安定雑音で置き換える新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2023-11-17T10:00:47Z)
• RobustMQ: Benchmarking Robustness of Quantized Models [54.15661421492865]
  量子化は、限られたリソースを持つデバイスにディープニューラルネットワーク(DNN)をデプロイする上で不可欠なテクニックである。 我々は、ImageNet上の様々なノイズ(障害攻撃、自然破壊、系統的なノイズ)に対する量子化モデルのロバスト性について、徹底的に評価した。 我々の研究は、モデルとその実世界のシナリオにおける展開の堅牢な定量化を推し進めることに貢献している。
  論文  参考訳（メタデータ） (2023-08-04T14:37:12Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Walking Noise: On Layer-Specific Robustness of Neural Architectures against Noisy Computations and Associated Characteristic Learning Dynamics [1.5184189132709105]
  本稿では,異なる分類タスクとモデルアーキテクチャに対する加法的,乗法的,混合ノイズの影響について論じる。 本研究では,ロバスト性を測定するため,層固有のノイズを注入するウォーキングノイズ法を提案する。 我々は,この方法論の実践的利用に関する議論をまとめ,ノイズの多い環境での適応型マルチエグゼクティブの活用について論じる。
  論文  参考訳（メタデータ） (2022-12-20T17:09:08Z)
• Dynamic Layer Customization for Noise Robust Speech Emotion Recognition in Heterogeneous Condition Training [16.807298318504156]
  ノイズ条件毎に,サンプルを特殊特徴エンコーダに動的にルーティングすることで,性能を向上できることを示す。 時間的順序付けを動的にルーティングすることで,これらの改善をマルチモーダル設定に拡張する。
  論文  参考訳（メタデータ） (2020-10-21T18:07:32Z)

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。