理工酷

给数据输入增加噪声

在这种情况下，“随机数据输入”可能意味着：让我们将数据某些特征随机设置为0（有时甚至多达一半），以生成新的“损坏”数据集。我们将从输入的随机数据中学习，在这种情况下输出是不确定的。 这是一个数字数据集： 原始图像在左侧，损坏的图像在中间。此机器学习任务的目标是从中间的损坏图像中重建原始图像。有了足够的培训数据，就有可能做到；重建的图像是右边的图像。它们看起来与左侧的相似！ 使用的推广的去噪自动编码器（神经网络）是能够完成此任务的。令人惊讶的是，当图像中多达一半的像素被破坏时，去噪自动编码器也可以恢复原始图像。 这是去噪自动编码器学习的功能，没有任何数据损坏 随着数据损坏： 随着数据损坏这些特征变得更加清晰，其中许多与笔触相对应！ 一个相关的概念是dropout -深度学习中一种非常有用的技术，可以防止过度拟合，该函数通过在学习过程中随机破坏神经网络的内部来进行操作。

随机图像的结构

很难说“随机图像”到底是什么。我们必须更具体地讨论某个随机图像，这是ImageNet数据集： 这些图片肯定不是随机的，因为这些图片不是从Internet上随机绘制的。但是，所涉及的类别是随机的，因为它们是任意的，尽管拍摄的某些照片相对晦涩难懂。例如：波斯猫，狒狒，间歇泉，欧洲鸡胆，滤油器，比萨饼和电钻。 基于ImageNet数据集，训练得到一个深层神经网络后，我们可以将每个图像表示为散点图中的一个点，以检查所涉及的结构。结果表明，可以存在相当多的结构， 当然，放入此t-SNE变体（alpha-beta SNE）的图像可能是“随机的”，因为它们是任意的，但在训练的过程中肯定有很多结构。机器学习可以发现这种结构。

生成对抗网络

到目前为止，涉及的讨论已经绕过了问题原本的含义，将随机噪声传递到了机器学习算法中。在这种情况下，很难不谈论生成对抗网络（GAN）。从本质上讲，GAN尝试通过训练两个组件来捕获数据集的概率分布：（1）生成器和（2）鉴别器。 随着不断地训练，生成器变得越来越好，它能够生成很真实的数据，以至于无法与训练数据区分开。 那么如何生成数据呢？我们将“随机数据输入”传递到神经网络。 GAN已在多个领域进行了实践。他们甚至可以创造艺术！ 有了GAN，随机的垃圾数据进入了神经网络，但是能够输出很有艺术感的结果-这不是很吸引人吗？

转载自：https://www.quora.com/What-happens-if-we-mix-machine-learning-with-random-data-input