최적화 과정에 노이즈를 주입하는 것은 심층 신경망의 훈련 및 일반화 성능을 향상시키는 잘 알려진 기법입니다. 하지만 기존 접근 방식의 광범위함에도 불구하고, 실제적으로 어떤 설계 선택이 정말 중요한지는 여전히 불분명합니다. 본 연구에서는 확률적 경사 하강법(SGD)을 위한 매개변수 노이즈 주입을 조사하며, 두 가지 핵심 질문에 초점을 맞춥니다. 첫째는 미니 배치 훈련에서 각 학습 예제와 그 자체의 교란(perturbation)을 효율적으로 쌍으로 만드는 방법이며, 둘째는 정교한 노이즈 매개변수화 또는 다중 샘플 경사 평균화가 단순한 대안보다 의미 있는 이득을 가져오는지 여부입니다. 첫 번째 질문에 답하기 위해, 우리는 배치 계산을 깨지 않으면서 예제별 노이즈 주입을 가능하게 하는 선형 계층의 분포적 항등식(distributional identity)을 활용합니다. 두 번째 질문에 답하기 위해, 우리는 CIFAR100에서 다양한 노이즈 수준에 걸쳐 여러 대각 가우시안 매개변수화와 등방성 기준선(isotropic baseline)을 체계적으로 비교했습니다. 우리의 결과는 단순하고 경량화된 전략들, 즉 업데이트 단계당 단일 교란 순전파를 사용하는 등방성 노이즈가 더 복잡한 방식의 대부분의 이점을 회복시킨다는 것을 일관되게 보여줍니다. 이러한 발견은 매개변수 노이즈 주입에 있어 단순성이 충분하며, 실무자들이 노이즈 SGD의 최적화 및 일반화 이점을 얻기 위해 정교한 교란 설계를 할 필요는 없음을 시사합니다.