我正在设计一个NN分类器，其中大多数输入特征是高斯分布的估计。即一个特征具有mu和sigma值。
分类器有大约30个输入功能，如果你考虑每个mu和sigma他们自己的功能，则为60。
输出数量为15，即有15种可能的分类。
我有大约5万个示例用于培训/验证。
我可以想到一些如何将这些功能转化为有用功能的不同场景，但我并不聪明地就它们如何影响我的结果得出任何结论。
第一种情况是仅仅按比例缩放并盲目地传递每个mu和sigma。在这种情况下，我真的不知道sigma如何帮助分类器，因为它只是衡量不确定性的标准。最理想的是，这会导致轻微的模糊＆＃34;可能用于估计分类结果的某些确定性度量的分类。
第二种情况是通过从30个输入要素中的每一个的高斯中绘制一个值来生成更多测试用例，然后对这些随机值进行标准化。这会给我更多的训练数据，这可能是有用的。
我注意到我有可能获得更多数据（大约50k以上的例子），但我不确定数据是多么准确，所以我想首先尝试使用这个较小的数据集，看它是否收敛。
问题是：社区中是否有任何共识或有趣的论文，描述如何处理输入特征的估计不确定性？
谢谢！
P.S。抱歉我的措辞不好，ML不是我的专业领域，也不是英语我的母语。