Siempre me ha sorprendido que la inclusión de ruido blanco en las señales sea uno de los métodos más eficaces por no decir que únicos para la identificación de modelos en lazo cerrado.

Pues bien, para mejorar el aprendizaje de algoritmos de deep learning también se están empezando a utilizar estas técnicas basadas en PRBS para acelerarlo y aumentar su robustez.

En efecto en la UTSA han conseguido cambiar el enfoque convencional empleado para explicar las diferentes decisiones de aprendizaje automático que se basa en una única inyección de ruido en la capa de entrada de una red neuronal.

Los expertos han mostrado que añadir ruido, también conocido como pixelación, a lo largo de muchas capas de una red, proporcionaría una representación muchísimo más sólida de una imagen reconocida por la inteligencia artificial (IA), creando explicaciones más solidas para las decisiones tomadas por esta.

Este trabajo sería de utilidad a la hora de ayudar en el desarrollo de lo que se conoce en la actualidad como “IA explicable”, que busca habilitar aplicaciones de inteligencia artificial de alta seguridad, como conducción autónoma o imágenes médicas.