研究揭示多层感知机在标签噪声下的记忆与统计复杂性特征
Start here
2026年11月4日，arXiv发布的一项机器学习研究聚焦多层感知机（MLP），提出将预测信息分解为信号、记忆与异质性，以量化标签噪声记忆并分析统计复杂性的表征作用。在89次MNIST实验中，即便标签全部被替换为错误类别、导致测试准确率骤降至0.5%，模型的预测结果依然保留了真实类别信息。研究还发现，在噪声率达到40%时，统计复杂性会先于记忆见顶；而在成对翻转噪声的280次扩展测试中，统计复杂性在2个epoch内便迅速达到峰值。
AI-generated from reports · Updated 21 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习多层感知机标签噪声记忆的信息预算与统计复杂性追踪研究
一项针对多层感知机的研究将预测信息分解为信号、记忆与异质性，用于量化标签噪声记忆并分析统计复杂性的表征作用。在 89 次 MNIST 实验中，即便标签全部被替换为错误类别导致测试准确率降至 0.5%，模型预测依然保留了真实类别信息。噪声率达 40% 时统计复杂性先于记忆见顶，但在成对翻转噪声的 280 次扩展测试中其在 2 个 epoch 内即达峰值。
Story heat trend
Current heat 6·Comparable peak 10（Nov 4 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.