Evaluation of neural network robust

Evaluation of neural network robustness
against uncertainty
Neural network predictions exhibit uncertainty due to inaccuracies
in the training data and to the limitations of the model.
The training set contains intrinsically noisy and incomplete
(not all possible input-output examples are available) patterns.
In reality, data noise may arise from inaccurate measurements
or human error. For the manually operated lathe
considered here, slight inconsistencies in the process can be
expected to be important. Data noise is not the only source of
uncertainty. The neural network introduces uncertainty due
to model misspecification and the inefficiencies of the training
method (Papadopoulos and Edwards 2001). A network
trained on a given dataset forms a better representation of the
data in regions of high input data density (Papadopoulos and
Edwards 2001). Moreover, because of the nature of the training
algorithm, there is no guarantee that the weight values
correspond to the global minimum of the error function. Even
if the global minimum is found, the solution will not necessarily
be optimal because the finite training set does not fully
describe the true data-generating mechanism (Papadopoulos
and Edwards 2001).

Kết quả (Việt) 2:

Đánh giá độ mạnh mạng lưới thần kinh
chống lại sự không chắc chắn
bất ổn thần kinh dự đoán mạng triển lãm do sai sót
trong dữ liệu huấn luyện và những hạn chế của mô hình.
Tập huấn luyện có chứa chất ồn ào và không đầy đủ
(không phải tất cả các ví dụ đầu vào-đầu ra có thể được cung cấp) mô hình.
Trong thực tế , tiếng ồn dữ liệu có thể phát sinh từ các phép đo không chính xác
hoặc lỗi của con người. Đối với các máy tiện vận hành bằng tay
xem xét ở đây, mâu thuẫn nhỏ trong quá trình này có thể được
dự kiến sẽ là quan trọng. Tiếng ồn dữ liệu không phải là nguồn duy nhất của
sự không chắc chắn. Mạng lưới thần kinh giới thiệu sự không chắc chắn do
để mô hình thông số sai lệch và thiếu hiệu quả của việc đào tạo
phương pháp (Papadopoulos và Edwards 2001). Một mạng lưới
đào tạo trên một tập dữ liệu được tạo thành một đại diện tốt hơn các
dữ liệu trong các khu vực có mật độ dữ liệu đầu vào cao (Papadopoulos và
Edwards 2001). Hơn nữa, vì bản chất của đào tạo
thuật toán, không có đảm bảo rằng các giá trị trọng lượng
tương ứng với tối thiểu toàn cầu của hàm lỗi. Thậm chí
nếu tối thiểu toàn cầu được tìm thấy, các giải pháp sẽ không nhất thiết phải
là tối ưu bởi vì các tập huấn luyện hữu hạn không hoàn toàn
mô tả cơ chế dữ liệu tạo ra đúng (Papadopoulos
và Edwards 2001).