我正在训练一个用于音频分类的神经网络。

我在 UrbanSound8K 数据集(Model1)上对其进行了训练，然后我想评估输入中添加的不同级别的噪声如何影响预测准确性。基线准确度 Model1 = 65%

正如预期的那样，较高的噪声水平会导致较低的准确性。

然后，我决定使用噪声(Model2)执行数据增强。因此，我获取了数据集，并使用相同的文件复制了它，但向它们添加了粉红噪声 (+0 dB SNR)。

正如我所预料的那样，整体准确度提高了（虽然很小，0.5%），并且网络对输入的噪声损坏变得更加健壮。

然而！我没想到的一件事是，现在网络在仅预测未损坏的噪声输入（验证输入）时降低了其准确性。不知何故，它过度拟合了干净的输入，从而降低了这些音频的预测准确性。

因此，在数字上，Model2 对噪声输入的预测准确率为 69%（不一定与训练的噪声相同），对干净输入的预测准确率为47%。

这个结果有什么解释或直觉吗？

我期待网络现在拥有越来越多的不同训练数据，能够学习更多有意义的特征。我想过度拟合嘈杂的输入更困难，但我仍然不明白为什么它主要过度拟合到干净的输入。

- - - - - - - - - - - - - - - - - - - - - - - - - 编辑1 ------------------------------------------------- ---------------

另一条可能有用的信息：

即使在噪声很小的噪声输入上评估 Model2 时，网络仍然比仅在干净的输入上表现得更好（这与我们耳朵的噪声很小的输入非常相似）