Direct Approaches to Improving the Robustness of Multilayer Neural Networks

BUGMANN, Guido, Petr SOJKA, Michael REISS, Mark PLUMBLEY and John G. TAYLOR. Direct Approaches to Improving the Robustness of Multilayer Neural Networks. In Artificial Neural Networks II: Proceedings of the International Conference on Artificial Neural Networks ICANN 1999. Brighton, UK: Elsevier Science Publishers B.V., 1992, p. 1063-1066. ISBN 0-444-89488-8.

Basic information

• Original name: Direct Approaches to Improving the Robustness of Multilayer Neural Networks
• Name in Czech: Přímé postupy pro zvýšení robustnosti vícevrstných neuronových sítí
• Authors: BUGMANN, Guido (756 Switzerland), Petr SOJKA (203 Czech Republic, guarantor), Michael REISS (826 United Kingdom of Great Britain and Northern Ireland), Mark PLUMBLEY (826 United Kingdom of Great Britain and Northern Ireland) and John G. TAYLOR (826 United Kingdom of Great Britain and Northern Ireland).
• Edition: Brighton, UK, Artificial Neural Networks II: Proceedings of the International Conference on Artificial Neural Networks ICANN 1999, p. 1063-1066, 1992.
• Publisher: Elsevier Science Publishers B.V.

Other information

• Original language: English
• Type of outcome: Proceedings paper
• Field of Study: 20200 2.2 Electrical engineering, Electronic engineering, Information engineering
• Country of publisher: United Kingdom of Great Britain and Northern Ireland
• Confidentiality degree: is not subject to a state or trade secret
• WWW: URL
• Organization unit: Faculty of Informatics
• ISBN: 0-444-89488-8
• UT WoS: A1992BX31W00223
• Keywords in English: multilayer perceptron; back propagation; robustness of neural nets
• Tags: back propagation, multilayer perceptron, robustness of neural nets

Abstract

Multilayer neural networks trained with backpropagation are in general not robust against the loss of a hidden neuron. In this paper we define a form of robustness called 1-node robustness and propose methods to improve it. One approach is based on modification of the error function by the addition of a ``robustness error''. It leads to more robust networks but at the cost of a reduced accuracy. A second approach, ``pruning-and-duplication'', consists of duplicating the neurons whose loss is the most damaging for the network. Pruned neurons are used for the duplication. This procedure leads to robust and accurate networks at low computational cost. It may also prove beneficial for generalisation.

Abstract (in Czech)

Vícevrstvé neuronové sítě učené metodou zpětného šíření obecně nejsou robustní vůči ztrátě neuronu ve skryté vrstvě. V tomto příspěvku definujeme formu robustnosti nazývanou jednoneuronová robustnost a navrhujeme metody pro její zlepšení. Jeden přístup je založen na modifikaci chybové funkce přidáním členu s `chybou robustnosti'. To vede k robustnějším sítím, ale za cenu horší přesnosti. Druhý přístup, `promaž a zduplikuj', sestává z duplikace těch neuronů, jejichž ztráta je pro funkci sítě nejvíce destruktivní. Tento postup vede k robustním a přesným sítím při nízké výpočetní náročnosti. Také se zlepšují generalizační vlastnosti.