Дослідницька група з Університету Каліфорнії в Лос-Анджелесі під керівництвом Айдогана Озкана розробила новий метод покращення надійності глибоких нейронних мереж у вирішенні обернених задач зображення. Опублікована в журналі Інтелектуальні обчислення, ця дослідження представляє метод оцінки невизначеності, який використовує циклову послідовність для покращення продуктивності глибоких нейронних мереж.
Задачи оберненого зображення, включаючи позбавлення зображення від шуму, зображення у високому розрішенні та відновлення медичних зображень, передбачають створення ідеального зображення з використанням отриманих даних, які можуть бути піддані деградації. Однак глибокі нейронні мережі іноді дають ненадійні результати, що може мати серйозні наслідки в деяких контекстах. Моделі, що можуть оцінювати невизначеність свого виходу, можуть бути більш ефективними у виявленні аномалій та атак.
Новорозроблений метод використовує фізичну пряму модель як обчислювальне представлення зв’язку вхід-вихід. Шляхом поєднання цієї моделі з нейронною мережею та виконання прямих та зворотних циклів між вхідними та вихідними даними невизначеність накопичується й ефективно оцінюється.
Теоретичне обґрунтування методу базується на встановленні меж циклової послідовності, яка визначається як різниця між сусідніми виходами у циклі. Дослідники встановили верхні та нижні межі для циклової послідовності, демонструючи її кореляцію з невизначеністю виходу нейронної мережі. Це вірно навіть у випадках, коли виходи циклу розходяться або збігаються, що дозволяє оцінювати невизначеність без знання абсолютної істини.
Для демонстрації ефективності методу дослідники провели два експерименти. Перший експеримент був спрямований на дефокусування зображень – обернену задачу, де передобченій мережі дефокусування використовувалася для визначення, чи були зображення пошкодженими чи непошкодженими. За допомогою метрик циклової послідовності для оцінки невизначеності та спотвореності мережі дослідники досягли покращеної точності в кінцевій класифікації.
Це дослідження є важливим кроком у напрямку покращення надійності та стійкості глибоких нейронних мереж у вирішенні обернених задач зображення. За допомогою оцінювання невизначеності за допомогою циклової послідовності такі мережі можуть ефективніше виявляти аномалії та атаки, забезпечуючи більш надійні та довірені результати.
The source of the article is from the blog karacasanime.com.ve