آیا میتوان شبکههای عصبی داشت که هم در برابر خطاها مقاوم باشند و هم خروجیهای دقیقی (کالیبرهشده) ارائه دهند؟
محققان در مقاله جدید خود به سراغ چالش قدیمی «ترید-آف بین دقت و استحکام» رفتهاند. آنها با معرفی پارادایم LiST (Lipschitz Scaling Training)، پیوندی نظری و کاربردی میان «قیدهای لیپشیتس» و «کالیبراسیون دما» برقرار کردهاند. این روش اجازه میدهد مدلها به صورت خودکار نقطهای بهینه را پیدا کنند که در آن، شبکه نه تنها در برابر تغییرات ناگهانی ورودی مقاوم است، بلکه خروجیهای آن نیز بسیار قابلاعتماد هستند.
این دستاورد میتواند گام بزرگی برای ساخت سیستمهای هوش مصنوعی مطمئنتر در دنیای واقعی باشد.
منبع: arXiv Machine Learning
