Une équipe de recherche de l’Université de Californie à Los Angeles, dirigée par Aydogan Ozcan, a mis au point une nouvelle méthode pour améliorer la fiabilité des réseaux neuronaux profonds dans la résolution de problèmes d’imagerie inverse. Publiée dans le journal Intelligent Computing, cette recherche introduit une technique de quantification de l’incertitude qui intègre la cohérence de cycle pour améliorer les performances des réseaux neuronaux profonds.
Les problèmes d’imagerie inverse, tels que le débruitage d’images, l’imagerie à haute résolution et la reconstruction d’images médicales, consistent à créer une image idéale à partir de données brutes capturées qui peuvent avoir subi une dégradation. Cependant, les réseaux neuronaux profonds produisent parfois des résultats peu fiables, ce qui peut avoir des conséquences graves dans certains contextes. Les modèles capables d’estimer l’incertitude de leur résultat ont le potentiel d’être plus efficaces pour détecter les anomalies et les attaques.
La méthode nouvellement développée utilise un modèle physique avant comme une représentation computationnelle de la relation entrée-sortie. En combinant ce modèle avec un réseau neuronal et en effectuant des cycles avant-arrière entre les données d’entrée et de sortie, l’incertitude s’accumule et est estimée de manière efficace.
Les bases théoriques de la méthode reposent sur l’établissement des limites de la cohérence de cycle, définie comme la différence entre les sorties adjacentes du cycle. Les chercheurs ont déterminé à la fois des limites supérieures et inférieures pour la cohérence du cycle, démontrant sa corrélation avec l’incertitude de la sortie du réseau neuronal. Cela est vrai même dans les cas où les sorties du cycle divergent ou convergent, permettant une estimation de l’incertitude sans connaissance de la vérité fondamentale.
Pour démontrer l’efficacité de la méthode, les chercheurs ont réalisé deux expériences. La première expérience s’est concentrée sur le défloutage d’images, un problème inverse, où un réseau neuronal pré-entraîné de défloutage d’images a été utilisé pour déterminer si les images étaient corrompues ou non corrompues. En incorporant des mesures de cohérence de cycle pour estimer l’incertitude et le biais du réseau, les chercheurs ont obtenu une meilleure précision dans la classification finale.
Cette recherche représente une étape importante vers l’amélioration de la fiabilité et de la résilience des réseaux neuronaux profonds dans la résolution de problèmes d’imagerie inverse. En intégrant l’estimation de l’incertitude grâce à la cohérence de cycle, ces réseaux ont le potentiel de détecter les anomalies et les attaques de manière plus efficace, garantissant des résultats plus fiables et sûrs.
The source of the article is from the blog papodemusica.com