神經變異性增強人工網路魯棒性

近日，一項發表在arXiv預印本平臺上的研究（編號2606.13801）由Robin Preble等人完成，揭示了大腦皮層神經活動的試次間變異性如何被用來增強人工神經網路的魯棒性。該研究於2026年6月11日提交，目前程式碼和資料均已公開。

在生物神經系統中，外圍感覺神經元對重複刺激的反應非常一致，而皮層神經元則表現出顯著的試次間變異性。這種變異性常被視為噪聲，但越來越多的證據表明它可能具有功能意義。此前的研究已經表明，噪聲和訊號相關性可能在動物感知中經過最佳化以利於判別，而人工神經網路研究也發現噪聲在機器學習任務中具有益處，不過大多數人工神經網路工作忽略了相關性的影響。這項新研究填補了這一空白，重點探討了相關性噪聲（即結構化噪聲）的作用。

研究團隊透過分析人工神經網路在乾淨輸入和修改輸入下的啟用協方差，發現結構化噪聲能夠顯著提升網路對兩類擾動的魯棒性：一類是自然影像修改，如影像亮度、對比度、旋轉等常見變換；另一類是精心設計的對抗性攻擊。實驗結果顯示，結構化噪聲對自然影像修改的魯棒性提升最為顯著，但針對特定修改型別最佳化的噪聲結構難以遷移到其他自然修改型別。相反，從對抗攻擊中獲得的噪聲結構卻表現出更好的泛化能力，能夠有效地應用在不同種類的攻擊上。

這一發現具有重要的理論和實踐意義。從理論上看，它表明神經變異性並非單純的噪聲，而是蘊含著最佳化網路魯棒性的資訊。從實踐上看，該研究提出了一種僅依賴區域性啟用資訊的生物合理策略來構建魯棒的人工神經網路，這與傳統需要全域性資訊或額外監督的魯棒性增強方法形成鮮明對比。這種策略不僅更接近生物神經系統的工作方式，也可能為開發更安全、更可靠的人工智慧系統提供新的設計原則。

研究團隊來自多個機構，論文作者包括Robin Preble、Kameron Decker Harris等。該研究的程式碼和資料集已公開，便於其他研究者復現和擴充套件。未來工作可以探索如何自適應地調整噪聲結構以適應不同型別的擾動，以及這種策略在更復雜的視覺任務和實際應用中的效果。總之，這項研究為連線神經科學與人工智慧的魯棒性研究架起了一座橋樑，開闢了新的研究方向。