Chaotic CNN for Limited Data Image Classification
在無需新增任何參數的情況下，透過導入混沌映射重塑特徵空間，可讓 CNN 在極端少量的訓練樣本下實現高達 9.11% 的準確率提升。
- 混沌映射如 Logistic、Skew tent 能對歸一化特徵施加非線性擾動，有效擴充特徵多樣性。
- 在每類 50 樣本的 Fashion-MNIST 測試中，Sine 映射結合 3 層 CNN 使分類表現大幅提升 9.11%。
- 此架構不增加模型複雜度與運算成本，為數據受限的影像辨識場景提供輕量化的防過擬合解方。
在僅有每類別 40 個訓練樣本的極端資料限制下，傳統卷積神經網路的分類準確率往往大幅下滑。近期一項研究指出，若在網路架構中植入不具額外可訓練參數的混沌映射層，可讓 MNIST 影像的分類表現最高提升 5.43%，在 Fashion-MNIST 上甚至繳出 9.11% 的成長，為小樣本學習開闢了一條輕量且高效的途徑。
解決小樣本過擬合，從非線性混沌映射切入
深度學習模型高度仰賴龐大的標註資料集，但在實際應用中，大規模標註往往曠日費時且成本高昂。當訓練數據稀缺時，傳統的 CNN（卷積神經網路） 容易陷入 overfitting（過擬合）的困境，只記住訓練樣本的表象，而無法學習到具備泛化能力的深層特徵。現行的資料擴增、正則化與遷移學習等應對手法，都有各自的侷限，例如擴增可能無法涵蓋真實變異，正則化則會削弱模型本身的容量。
為了解決此問題，印度 Amrita Vishwa Vidyapeetham 大學的研究團隊從非線性動態系統中汲取靈感，提出了將 Chaos theory（混沌理論） 整合至神經網路特徵空間的創新架構。混沌系統具有強烈的非線性特徵、有界性以及對初始條件的極度敏感性。這些特性可為模型帶來可控的擾動，幫助模型在受限的特徵空間中探索更複雜的邊界，進而提升學習系統的特徵表示多樣性與類別可分性，且無須設計過於龐雜的網路結構。
Logistic與Skew Tent映射的特徵轉換機制
本研究的改造方法極度精簡：不更動 CNN 前端的卷積與池化層，而是在特徵向量進入最終的全連接分類層之前，插入一道混沌轉換程序。網路首先透過卷積層萃取空間與結構特徵，接著將這些特徵向量 Normalize（歸一化，將數值縮放至指定範圍）至 [0,1] 的區間，確保數值符合混沌映射的輸入範圍限制。
隨後，模型對這些特徵進行逐元素的轉換。研究共測試了三種著名的一維混沌映射：Logistic 映射（邏輯斯諦映射）、Skew tent 映射（斜帳篷映射）以及 Sine 映射（正弦映射）。Logistic 映射在參數接近 4 時會產生高度不規則但有界的輸出；Skew tent 映射雖是分段線性，卻具備均勻分佈與強烈的混合行為；Sine 映射則提供平滑但高度非線性的軌跡變化。這三個映射都能在不改變特徵維度、不增加任何可訓練參數的前提下，重塑特徵空間，使得小樣本學習下的決策邊界更為明朗。
MNIST與Fashion-MNIST灰階影像測試對比
為了驗證這套混沌架構的實際效益，研究團隊首先在 MNIST 與 Fashion-MNIST 兩個經典的 10 類別灰階影像資料集上進行測試。考量到是模擬低數據環境，實驗刻意將每類別的訓練樣本數壓縮至 40、50 與 60 個，並分別搭載 2 層與 3 層卷積結構的輕量化 CNN 進行交叉驗證與模型訓練。
實驗數據表明，相較於未加裝混沌轉換的獨立基準線（Standalone CNN，簡稱 SA），加入混沌映射的模型幾乎在所有設定下都獲得了顯著的 Macro F1-score 提升。在 MNIST 測試中，Skew tent 映射搭配 3 層 CNN 在每類別 40 個樣本時，締造了高達 5.43% 的成長。而在圖案更為複雜的 Fashion-MNIST 測試中，Logistic 映射展現了極高的穩定度，而 Sine 映射配合 3 層 CNN 在 50 個樣本時，更一舉將性能推升了 9.11%。這清楚顯示，數據量越是匱乏，混沌轉換帶來的效益越顯著。
CIFAR-10測試：零參數增加達成7.47%提升
除了灰階影像，團隊進一步將測試延伸至 CIFAR-10 這個包含 10 個類別的 RGB 彩色影像資料集。針對色彩與特徵更複雜的場景，基礎網路被加深至 5 層卷積架構，樣本數則設定為每類別 100、150 與 200 個，以檢視該機制在中度受限資料環境下的適用性。
CIFAR-10 的測試結果同樣令人振奮。在每類別 100 個樣本的極端情況下，Logistic 與 Sine 映射最先發揮穩定作用；隨著樣本數增加至 150 與 200 個，Skew tent 映射後來居上，在 200 個樣本時繳出了高達 7.47% 的性能增幅。值得注意的是，儘管訓練樣本數目增加會讓未改造的基準 CNN 也學得更好，進而使混沌映射帶來的相對提升比例略微收斂，但整體的絕對準確度依然穩健領先。這些數字印證了，無論影像格式與網路深度如何改變，混沌轉換都是一項可靠的增強策略。
低數據場景泛化潛力與未來模型可解釋性
綜合灰階與彩色資料集的表現，這項研究確認了一個重要現象：CNN 的性能提升並非依賴於某一種特定的數學公式，而是源於這三個混沌系統所共享的非線性與動態本質。傳統上為了提升泛化能力而加入的新模組，往往伴隨著更高的運算成本與模型肥大化風險；而混沌映射層卻做到了運算效率極高且完全無需訓練新參數。
這套方法能輕易無縫接入現有的任何 CNN 開發管線中，特別適合應用於邊緣運算或是資料收集困難的分類任務。展望未來，研究團隊預計將深入探討這套混沌 CNN 模型的可解釋性，進一步釐清微觀層面上的非線性擾動，究竟是如何在決策層中引導出更強韌的特徵表示。
在 CNN 分類層前置入免訓練參數的混沌映射，能以零負擔擾動特徵空間，大幅化解小樣本過擬合危機。