Kalifornian yliopistossa Los Angelesissa toimiva tutkimustiimi, jota johtaa Aydogan Ozcan, on kehittänyt uuden menetelmän syväoppimisen luotettavuuden parantamiseksi käänteisen kuvantamisen ongelmissa. Tämä tutkimus on julkaistu Intelligent Computing -lehden numerossa ja esittelee epävarmuuden määritystekniikan, joka sisältää sykliyhtenäisyyden parantaakseen syväoppimisen suorituskykyä.
Käänteisen kuvantamisen ongelmiin kuuluu muun muassa kohinanpoisto, huippulaadun kuvantaminen ja lääketieteellisen kuvan rekonstruktio. Nämä ongelmat liittyvät ihanteellisen kuvan luomiseen käyttämällä kerättyä raakakuvadataa, joka saattaa olla alentunutta. Kuitenkin syväoppimisverkot tuottavat joskus epäluotettavia tuloksia, mikä voi olla vakavia seurauksia tietyissä yhteyksissä. Mallit, jotka pystyvät arvioimaan tulostensa epävarmuutta, voivat olla tehokkaampia poikkeavuuksien ja hyökkäysten havaitsemisessa.
Uusi kehitetty menetelmä käyttää fyysistä edennemodelia laskennallisena esityksenä syöte-tulos-suhdetta varten. Yhdistämällä tämä malli neuroverkkoon ja suorittamalla eteen-taaksepäin-sykliä syöte- ja tulostiedon välillä kertyy ja arvioidaan epävarmuutta tehokkaasti.
Menetelmän teoreettinen perusta perustuu sykliyhtenäisyyden rajojen luomiseen, joka määritellään syklin peräkkäisten tulostusten erona. Tutkijat ovat johdattaneet sekä ylä- että alarajat sykliyhtenäisyydelle ja osoittaneet sen korreloivan neuroverkon tuloksen epävarmuuden kanssa. Tämä pätee jopa tapauksissa, joissa syklin tulokset poikkeavat tai lähentyvät, mahdollistaen epävarmuuden arvioinnin ilman totuusarvon tuntemusta.
Menetelmän tehokkuuden osoittamiseksi tutkijat suorittivat kaksi kokeilua. Ensimmäisessä kokeessa keskityttiin kuvan sumennukseen, käänteiseen ongelmaan, jossa ennalta koulutettua kuvan-sumennusverkkoa käytettiin määrittämään, oliko kuvissa korruptiota vai ei. Sykliyhteyteen perustuvien metriikoiden sisällyttämisen avulla verkoston epävarmuutta ja vääristymiä arvioimalla tutkijat saavuttivat parannetun tarkkuuden lopullisessa luokittelussa.
Tämä tutkimus edustaa tärkeää askelta syväoppimisverkkojen luotettavuuden ja kestävyyden parantamisessa käänteisen kuvantamisen ongelmissa. Yhdistämällä epävarmuuden arviointi sykliyhtenäisyyden avulla, näillä verkostoilla on potentiaalia havaita poikkeamia ja hyökkäyksiä tehokkaammin, takaamalla luotettavampia tuloksia Suomennos
The source of the article is from the blog newyorkpostgazette.com