Learning from almost nothing: How neural networks survive heavy input corruption

En 3 lignesLes réseaux de neurones restent robustes face à une corruption d'entrée >90%, bien au-delà de la reconnaissance humaine. Une analyse en champ moyen des réseaux infinis révèle que les MLPs implémentent une règle de prototype (nearest-class-mean) universelle sur les architectures, expliquant pourquoi l'apprentissage réussit malgré le bruit massif.

Résumé généré par Claude — vérifié par l'humain