引言
随着神经网络在图像分类［1］、语义分割［2］等领域的长足发展，其被广泛地应用于工业生产［3］、自动驾驶［4］、医学［5］等新的任务场景中。然而，这些新的任务场景往往更加复杂，其中包含着干扰输入数据的多种噪音，会显著影响网络的性能。同时，在这些任务场景中，网络判断出错所造成的后果往往要更加严重。因此，如何评估网络对任务场景中噪音的抗干扰性，从而判断网络在该任务场景中的适用性，成为了一个需要解决的问题。
目前，通过生成让网络判断出错的最小扰动的对抗样本［6-8］或者生成任务场景［9-10］中常见的模拟噪音都可以作为生成噪音的方法，并进一步得到网络在面对噪音下的数值化抗干扰性指标。但是，现有的网络评估方法大多对网络整体进行评估，无法分析噪音对网络输出的影响机理，缺乏可解释性，并且评估结果也无法对网络改进起到积极的指导作用。
为了解决上述问题，本文引入基于闵可夫斯基差的线性可分性度量(Minkowski Difference based Linear Separability Measure, MDLSM)作为分类神经网络的隐层分析工具，借助MDLSM对网络隐层的数据映射行为进行分析，得到噪音对网络各个隐层的扰动，确定噪音对网络的影响机理，从而实现网络的可解释性抗干扰性逐层评估。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006706
作者信息：
周瑞丰1，栾瑞鹏2，张超1
(1.大连理工大学数学科学学院，辽宁大连116024；
2. 91550部队，辽宁大连116023)
