论文链接: https://www.ijcai.org/proceedings/2022/0397.pdf
0 引言
这篇文章的出发点是解决人工神经网络的鲁棒性问题。 尽管当前的神经网络在很多任务上都取得了很好的效果, 但是对抗噪声的能力都比较弱, 当输入存在噪声时, 输出结果可能完全不同。 而人脑并不会出现这种问题。 从人脑的认知中收到启发, 人脑在进行复杂感知时, 是存在渐进式的, 随着时间不断的推移, 累积更多的线索, 从而做出决策。 这篇文章就是模仿人脑这种感知的特点, 提出了用时间换模型鲁棒性的方法。
1 方法
这篇文章的思想比较简单, 具体实现上, 在不同的时间点上,对网络做一个copy,每个网络随机进行Dropout操作, 然后对多个网络输出的结果进行一个aggregation。
2 实验结果
MNIST:
随着响应时间的增加, 模型的精度提升: