Ülikooli Californias, Los Angelesis asuv uurimismeeskond Aydogan Ozcan’i juhtimisel on välja töötanud uue meetodi, et parandada sügavate neurovõrkude usaldusväärsust vastupidise pildistamise probleemide lahendamisel. Intellektuaalse arvutamise ajakirjas avaldatud uuring tutvustab ebakindluse hindamise tehnikat, mis kasutab tsüklilist järjepidevust sügavate neurovõrkude jõudluse parandamiseks.
Vastupidise pildistamise probleemid, sealhulgas kujutise summutamine, ülivõrdeline kujutiste taastamine ja meditsiinilise pildi rekonstrueerimine, hõlmavad ideaalse kujutise loomist, kasutades fikseeritud kujutiseandmeid, mis võivad olla allutatud halvenemisele. Siiski toodavad sügavad neurovõrgud mõnikord ebatäpseid tulemusi, mis võivad teatud kontekstides olla tõsiste tagajärgedega. Mudelitel, mis suudavad hinnata oma väljundi ebakindlust, on potentsiaal olla efektiivsemad anomaaliate ja rünnakute avastamisel.
Uus meetod kasutab sisendi-väljundi suhte arvutuslikku kujutist füüsilise edasisuuna mudelit. Selle mudeli kombineerimisel neurovõrguga ja tsüklilise edasi-tagasi protsessi teostamisel sisendi- ja väljundandmete vahel koguneb ja hinnatakse ebakindlus efektiivselt.
Meetodi teoreetiline alus on tsüklilise järjepidevuse piiride määramine, mida defineeritakse tsükli järjestikuste väljundite erinevusena. Uurijad on tuletanud nii tsüklilise järjepidevuse ülemised kui ka alumised piirid, tõestades selle seost neurovõrgu väljundi ebakindlusega. See kehtib isegi juhtudel, kus tsükli väljundid hajuvad või liituvad, võimaldades ebakindluse hindamist ilma tõepärase teadmisteta.
Meetodi tõhususe näitamiseks viisid uurijad läbi kaks katsel. Esimene katse keskendus pildi summutamisele, vastupidisele probleemile, kus eelnevalt koolitatud pildi summutamise võrku kasutati, et määrata, kas pildid on korrumpeerunud või mittekorrumpeerunud. Tsüklilise järjepidevuse mõõdikute omistamisega võrgu ebakindluse ja moonutuste hindamiseks saavutasid uurijad parema täpsuse lõplikus klassifitseerimises.
See uuring tähistab olulist sammu vastupidise pildistamise probleemide lahendamiseks sügavate neurovõrkude usaldusväärsuse ja vastupidavuse suurendamisel. Ebakindluse hindamise tsüklilise järjepidevuse abil suudavad need võrgud anomaaliaid ja rünnakuid avastada tõhusamalt, tagades usaldusväärsemaid tulemusi.
The source of the article is from the blog lisboatv.pt