DDDM: A Brain-Inspired Framework for Robust Classification

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：