约翰·乔纳松;杰弗里·斯特夫（Jeffrey E.Steif）。;Zetterqvist，奥洛夫 用于二值分类的深度神经网络的噪声敏感性和稳定性。 （英语） Zbl 1524.68318号 随机过程应用。 165, 130-167 (2023). 小结：第一步是理解深度神经网络（DNN）分类器经常观察到的非鲁棒性现象。这是从布尔函数的角度进行的，方法是询问由常见DNN模型表示的布尔函数的某些序列是噪声敏感的还是噪声稳定的，布尔函数文献中定义了这些概念。由于DNN模型中的自然随机性，这些概念被扩展到退火和淬火版本。在这里，我们整理了这些定义之间的关系，并研究了两种标准DNN体系结构（完全连通模型和卷积模型）在使用高斯权重初始化时的特性。 MSC公司： 68T07型 人工神经网络与深度学习 06E30年 布尔函数 60二氧化碳 组合概率 60K35型 相互作用的随机过程；统计力学类型模型；渗流理论 62H30型 分类和歧视；聚类分析（统计方面） 关键词：布尔函数;噪声稳定性;噪声灵敏度;深度神经网络;前馈神经网络 PDF格式BibTeX公司 XML格式引用 \textit{J.Jonasson}等人，《随机过程应用》。165、130-167（2023年；Zbl 1524.68318） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Ahlberg，D.，《部分观察到的布尔序列和噪声敏感性》，《组合概率》。计算。，23, 3, 317-330 (2014) ·兹比尔1326.60012 [2] Ahlberg，D。；Griffiths，S。；莫里斯，R。；Tassion，V.，《淬火voronoi渗流》，高等数学。，286889-911（2016），网址https://www.sciencedirect.com/science/article/pii/S0001870815003436 ·Zbl 1335.60178号 [3] Ahlberg，D。；de la Riva，D。；Griffiths，S.，《关于淬火voronoi渗流的收敛速度》，电子。J.概率。，26，无，1-26（2021）·Zbl 1491.60168号 [4] 本杰米尼，I。；卡莱，G。；Schramm，O.，布尔函数的噪声敏感性及其对渗流的应用，Publ。数学。高等科学研究院。，90, 1, 5-43 (1999) ·Zbl 0986.60002号 [5] Cybenko，G.，通过sigmoid函数的叠加进行逼近，数学。控制信号系统，2，4，303-314（1989）·Zbl 0679.94019号 [6] 加尔班，C。；Steif，J.E.，《布尔函数和渗流的噪声敏感性》，第5卷（2014），剑桥大学出版社 [7] 古德费罗，I.J。；Shlens，J。；Szegedy，C.，《解释和利用对抗性示例》（2014），arXiv预印本arXiv:1412.6572 [8] 格里彭，V。；Hacene，G.B。；Löwe，M。；Vermet，F.，通过矢量分割提高非参数传递学习的准确性，（2018 IEEE声学、语音和信号处理国际会议，2018 IEEE国际声学、语音与信号处理会议，ICASSP（2018），IEEE），2966-2970 [9] Koh，P.W。；Liang，P.，通过影响函数理解黑盒预测，（机器学习国际会议（2017），PMLR），1885-1894 [10] O'Donnell，R.，《布尔函数分析》（2014），剑桥大学出版社·Zbl 1336.94096号 [11] 佩克索托，T.P。；Drossel，B.，随机布尔网络中的噪声，物理。版本E，79，3，第036108条pp.（2009） [12] Peres，Y.，加权多数的噪声稳定性，（In and Out of Equilibrium 3:Celerating Vladas Sidoravicius（2021），Springer），677-682·Zbl 1469.60341号 [13] Vanneuville，H.，《定量淬火voronoi渗流和应用》（2018），arXiv预印本arXiv:1806.08448 [14] Xiao，Y。；Dougherty，E.R.，布尔网络中函数扰动的影响，生物信息学，23，10，1265-1273（2007） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。