Denoise auto-encoder的一个理解

这几天反复的看denoise auto-encoder的解释，尤其是geometric interpretation。作者写道，本来的数据假定是在一个低纬度的流行结构上，加了噪音之后，这些噪音点就距离这个流行结构要有点远，或者不在这个流行结构上了，那么学习的过程就会去学习在这个本来的流行结构。

个人认为：如果就算不加噪音点，你去学习的还是这个流行结构呢，并且由于噪音点的减少，单纯的对于这个样本来说，你学习的还更准确呢？为啥要加噪音呢？

加了噪音后对这个样本来说，学习到的流行结构过程中，多少回收到噪音数据的影响的，那么对于这个学习样本来说，其实学习到的效果肯定不如没有加噪音的好。那为啥还要加噪音？个人认为 只是单纯的为了增加网络的泛化能力吧？ 但是作者并没有这么直接的提出来 是这么个目的。真是奇怪，不知道谁能给点解释？