神经随机微分方程用于电磁非预期辐射发射的稳健可解释分析
原文中文，约600字，阅读约需2分钟。发表于：。这篇论文提出了一个全面评估 ResNet-like 模型在意外辐射发射（URE）分类中的鲁棒性和可解释性，并提出了一种新的方法，利用神经随机微分方程（SDEs）来解决已发现的局限性。通过实验证明了 ResNet-like 模型对高斯噪声扰动的脆弱性，模型性能急剧下降，其 F1 分数在仅为 0.5 标准差的高斯噪声下降至几乎无意义的...
本文提出了一种利用神经随机微分方程（SDEs）解决ResNet-like模型在意外辐射发射（URE）分类中的局限性的方法。实验证明，神经SDE模型比ResNet模型更具鲁棒性，即使在高斯噪声下也能保持高F1分数。此外，神经SDE模型成功恢复了输入数据中的时不变或周期性水平带，这一特征在ResNet-like模型生成的解释中明显缺失。
