Egy kaliforniai, Los Angeles-i Egyetem kutatócsoportja, melyet Aydogan Ozcan vezet, új módszert dolgozott ki a mély neuronhálózatok megbízhatóságának fokozására, az inverz képfeldolgozási problémák megoldása során. A kutatás a Intelligent Computing című folyóiratban jelent meg, és bemutat egy bizonytalanság mérési technikát, amely a cikluskonzisztenciát használja a mély neuronhálózatok teljesítményének javítására.
Az inverz képfeldolgozási problémák, mint például a képszűrés, szuperfelbontású képfeldolgozás és orvosi képrekonstrukció, olyan ideális kép létrehozását jelentik, amelyet a rögzített nyers képadatok alapján állítanak elő, amelyeket degradálódás ért. Azonban a mély neuronhálózatok néha megbízhatatlan eredményeket hoznak létre, amely súlyos következményekkel járhat bizonyos kontextusokban. A modellek, amelyek képesek megbecsülni a kimeneti bizonytalanságot, potenciálisan hatékonyabbak lehetnek a rendellenességek és támadások észlelésében.
Az új módszer egy fizikai előre mutató modellt használ, mint a bemenet-kimenet kapcsolat számítógépes reprezentációját. Ezt a modellt összekapcsolják egy neurális hálóval, és előre-hátra körökön keresztül haladnak a bemeneti és kimeneti adatok között, így felhalmozódik és hatékonyan becsülhető a bizonytalanság.
A módszer elméleti alapjai a cikluskonzisztencia határain alapulnak, amit a ciklusban lévő szomszédos kimenetek különbségének határértékeként definiáltak. A kutatók mind a felső, mind az alsó határértékeket származtatták a cikluskonzisztenciához, és bemutatták annak korrelációját a neurális hálózat kimenetének bizonytalanságával. Ez igaz még olyan esetekben is, amikor a ciklus kimenetei eltérnek vagy konvergálnak, lehetővé téve a bizonytalanság becslését anélkül, hogy ismernénk az igazság alapját.
A módszer hatékonyságának bemutatására a kutatók két kísérletet végeztek. Az első kísérlet a kép elhomályosítására összpontosított, mint egy inverz problémára, ahol egy előre kiképzett homályosítás eltávolító hálózatot használtak a képek megsérültek vagy sértetlenek voltak-e. A kutatók a cikluskonzisztencia mutatóit beépítve a hálózat bizonytalanságának és elfogultságának becsléséhez, javult a végleges osztályozás pontossága.
Ez a kutatás egy fontos lépést jelent a mély neuronhálózatok megbízhatóságának és robosztusságának fokozása felé az inverz képfeldolgozási problémák megoldása során. A bizonytalanság becslésének beépítésével a cikluskonzisztenciával a hálózatok hatékonyabban képesek észlelni a rendellenességeket és támadásokat, biztosítva így megbízhatóbb és szavahihetőbb eredményeket.
The source of the article is from the blog girabetim.com.br