神经变异性增强人工网络鲁棒性

近日，一项发表在arXiv预印本平台上的研究（编号2606.13801）由Robin Preble等人完成，揭示了大脑皮层神经活动的试次间变异性如何被用来增强人工神经网络的鲁棒性。该研究于2026年6月11日提交，目前代码和数据均已公开。

在生物神经系统中，外围感觉神经元对重复刺激的反应非常一致，而皮层神经元则表现出显著的试次间变异性。这种变异性常被视为噪声，但越来越多的证据表明它可能具有功能意义。此前的研究已经表明，噪声和信号相关性可能在动物感知中经过优化以利于判别，而人工神经网络研究也发现噪声在机器学习任务中具有益处，不过大多数人工神经网络工作忽略了相关性的影响。这项新研究填补了这一空白，重点探讨了相关性噪声（即结构化噪声）的作用。

研究团队通过分析人工神经网络在干净输入和修改输入下的激活协方差，发现结构化噪声能够显著提升网络对两类扰动的鲁棒性：一类是自然图像修改，如图像亮度、对比度、旋转等常见变换；另一类是精心设计的对抗性攻击。实验结果显示，结构化噪声对自然图像修改的鲁棒性提升最为显著，但针对特定修改类型优化的噪声结构难以迁移到其他自然修改类型。相反，从对抗攻击中获得的噪声结构却表现出更好的泛化能力，能够有效地应用在不同种类的攻击上。

这一发现具有重要的理论和实践意义。从理论上看，它表明神经变异性并非单纯的噪声，而是蕴含着优化网络鲁棒性的信息。从实践上看，该研究提出了一种仅依赖局部激活信息的生物合理策略来构建鲁棒的人工神经网络，这与传统需要全局信息或额外监督的鲁棒性增强方法形成鲜明对比。这种策略不仅更接近生物神经系统的工作方式，也可能为开发更安全、更可靠的人工智能系统提供新的设计原则。

研究团队来自多个机构，论文作者包括Robin Preble、Kameron Decker Harris等。该研究的代码和数据集已公开，便于其他研究者复现和扩展。未来工作可以探索如何自适应地调整噪声结构以适应不同类型的扰动，以及这种策略在更复杂的视觉任务和实际应用中的效果。总之，这项研究为连接神经科学与人工智能的鲁棒性研究架起了一座桥梁，开辟了新的研究方向。