// AI 新闻 · 2026-11-01 · Towards Data Science
神经网络从纯噪声中学习识别数字
研究人员构建了一个小型多层感知机模型，通过训练其在随机噪声上复制教师网络生成的辅助输出，使学生网络在未接触任何手写数字图像的情况下，仍能实现对MNIST数据集的高准确率识别。该过程依赖于学生与教师网络共享初始权重，且仅在相同起始权重下才表现出学习效果。
原文发布 2026-11-01 20:00（北京时间）来源 Towards Data Science自动整理 · 已核对原文
01摘要
实验显示，学生网络在训练中从未看到真实数字图像或标签，其损失函数不涉及分类输出，因此分类层权重保持随机初始值。模型在234步后平均准确率升至43.4%，第468步时突破50%。控制实验表明，当学生使用不同初始权重或教师网络训练于打乱标签时，其表现接近随机水平，说明知识传递依赖于真实学习的教师网络与共享初始状态。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- 学生网络在未接触任何手写数字的情况下，通过复制教师网络在噪声上的辅助输出实现分类学习。
- 实验要求学生与教师共享相同的初始权重，否则无法观察到有效学习效果。
- 分类层权重在整个训练过程中未受梯度更新影响，实际学习发生在底层网络中。
- 学生网络在第468步时首次达到50%以上准确率，表明知识通过隐式路径传递。
03原文出处
A Neural Network Learned to Read Digits From Pure Noise
Towards Data Science · 发布于 2026-11-01 20:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-01 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日