Μια ομάδα ερευνητών στο Πανεπιστήμιο της Καλιφόρνια, Λος Άντζελες, υπό την καθοδήγηση του Aydogan Ozcan, ανέπτυξε μια νέα μέθοδο για να ενισχύσει την αξιοπιστία των βαθιών νευρωνικών δικτύων στην επίλυση προβλημάτων αντεστραμμένης εικόνας. Δημοσιεύθηκε στο περιοδικό Intelligent Computing, αυτή η έρευνα παρουσιάζει μια τεχνική αναμφίβολης κατανόησης που συμπεριλαμβάνει την ανανεωσιμότητα του κύκλου για να βελτιώσει την απόδοση των βαθιών νευρωνικών δικτύων.
Τα προβλήματα αντεστραμμένης εικόνας, συμπεριλαμβανομένης της κατάργησης θορύβου εικόνας, της βελτίωσης της εικόνας super-resolution και της ανοικοδόμησης ιατρικής εικόνας, περιλαμβάνουν τη δημιουργία μιας ιδανικής εικόνας χρησιμοποιώντας κατεγραμμένα δεδομένα πρωτότυπης εικόνας που μπορεί να έχουν υποστεί καταστροφή. Ωστόσο, τα βαθιά νευρωνικά δίκτυα προκαλούν μερικές φορές αξιοπιστία στα αποτελέσματά τους, κάτι που μπορεί να έχει σοβαρές επιπτώσεις σε ορισμένα πλαίσια. Τα μοντέλα που μπορούν να εκτιμούν την ανανεωσιμότητα των αποτελεσμάτων τους έχουν τη δυνατότητα να είναι πιο αποτελεσματικά στην ανίχνευση ανωμαλιών και επιθέσεων.
Η νεοαναπτυχθείσα μέθοδος χρησιμοποιεί ένα φυσικό μοντέλο προώθησης ως υπολογιστική αναπαράσταση της σχέσης εισόδου-εξόδου. Συνδυάζοντας αυτό το μοντέλο με ένα νευρωνικό δίκτυο και εκτελώντας κύκλους προώθησης-αναστροφής μεταξύ των δεδομένων εισόδου και εξόδου, η αβεβαιότητα συσσωρεύεται και εκτιμάται αποτελεσματικά.
Η θεωρητική βάση της μεθόδου βρίσκεται στον καθορισμό των ορίων της ανανεωσιμότητας του κύκλου, που ορίζεται ως η διαφορά μεταξύ συνεχόμενων εξόδων στον κύκλο. Οι ερευνητές έχουν παράγει τόσο τα άνω όσο και τα κάτω όρια για την ανανεωσιμότητα του κύκλου, αποδεικνύοντας τη συσχέτισή της με την αβεβαιότητα της έξοδου του νευρωνικού δικτύου. Αυτό ισχύει ακόμα και σε περιπτώσεις όπου οι εξόδοι του κύκλου αποκλίνουν ή σύγκλιση, επιτρέποντας την εκτίμηση της αβεβαιότητας χωρίς γνώση της αληθείας.
Για να αποδείξουν την αποτελεσματικότητα της μεθόδου, οι ερευνητές πραγματοποίησαν δύο πειράματα. Το πρώτο πείραμα επικεντρώθηκε στην απόκρυψη εικόνας, ένα αντιστραμμένο πρόβλημα, όπου χρησιμοποιήθηκε ένα προ-εκπαιδευμένο δίκτυο απόκρυψης εικόνας για να καθοριστεί εάν οι εικόνες ήταν κατεστραμμένες ή μη κατεστραμμένες. Με την ενσωμάτωση μετρικών ανανεωσιμότητας κύκλου για την εκτίμηση της αβεβαιότητας και της προκατάληψης του δικτύου, οι ερευνητές κατάφεραν να επιτύχουν βελτιωμένη ακρίβεια στην τελική ταξινόμηση.
Αυτή η έρευνα αντιπροσωπεύει ένα σημαντικό βήμα προς τη βελτίωση της αξιοπιστίας και της ανθεκτικότητας των βαθιών νευρωνικών δικτύων στην επίλυση προβλημάτων αντεστραμμένης εικόνας. Με την ενσωμάτωση της εκτίμησης αβεβαιότητας μέσω της ανανεωσιμότητας του κύκλου, αυτά τα δίκτυα έχουν τη δυνατότητα να ανιχνεύουν ανωμαλίες και επιθέσεις με μεγαλύτερη αποτελεσματικότητα, εξασφαλίζοντας πιο αξιόπιστα και εξαρτημένα αποτελέσματα.