机构名称：
¥ 1.0
深度神经网络擅长图像分类，但其性能对输入扰动的鲁棒性远不如人类感知。在这项工作中，我们探索是否可以通过在深度卷积网络中结合大脑启发的循环动力学来部分解决这一缺点。我们从神经科学中流行的框架“预测编码”中汲取灵感。在分层模型的每一层，生成反馈“预测”（即重建）前一层的活动模式。重建误差用于在时间步长上迭代更新网络的表示，并优化网络在自然图像数据集上的反馈权重——一种无监督训练的形式。我们表明，在两个流行的网络 VGG16 和 EfficientNetB0 中实施此策略可以提高它们对各种破坏和对抗攻击的鲁棒性。我们假设其他前馈网络也可以从所提出的框架中受益。为了促进这方面的研究，我们提供了一个基于 PyTorch 的开源包 Predify，可用于实现和研究任何卷积神经网络中预测编码动态的影响。
Predify：使用脑机接口增强深度神经网络......
主要关键词
相关文件推荐
