Tim istraživača s Kalifornijskog sveučilišta u Los Angelesu, predvođen Aydoganom Ozcanom, razvio je novu metodu za poboljšanje pouzdanosti dubokih neuronskih mreža u rješavanju problema obrnutog snimanja slika. Objavljeno u časopisu Intelligent Computing, ovo istraživanje uvodi tehniku kvantifikacije nesigurnosti koja koristi ciklusnu dosljednost kako bi poboljšala performanse dubokih neuronskih mreža.
Problemi obrnutog snimanja slika, uključujući uklanjanje šuma slika, izuzetno visoku rezoluciju slika i rekonstrukciju medicinskih slika, uključuju stvaranje idealne slike koristeći snimljene podatke slike koji su mogli biti degradirani. Međutim, duboke neuronske mreže ponekad proizvode nepouzdane rezultate, što može imati ozbiljne posljedice u određenim kontekstima. Modeli koji mogu procijeniti nesigurnost svojih rezultata imaju potencijal biti učinkovitiji u otkrivanju anomalija i napada.
Novo razvijena metoda koristi fizički naprijedni model kao računalnu reprezentaciju odnosa ulaz-izlaz. Spajanjem tog modela s neuronskom mrežom i izvođenjem ciklusa naprijed-nazad između ulaznih i izlaznih podataka, nesigurnost se akumulira i učinkovito procjenjuje.
Teorijska osnova metode leži u uspostavljanju granica ciklusne dosljednosti, definirane kao razlika između susjednih izlaza u ciklusu. Istraživači su dobili i gornje i donje granice za ciklusnu dosljednost, što pokazuje njezinu korelaciju s nesigurnošću izlaza neuronske mreže. To vrijedi čak i u slučajevima kada se izlazi ciklusa divergiraju ili konvergiraju, omogućujući procjenu nesigurnosti bez poznavanja istine.
Da bi demonstrirali učinkovitost metode, istraživači su proveli dva eksperimenta. Prvi eksperiment fokusirao se na uklanjanje zamućenja slika, obrnuti problem, pri čemu je prethodno obučena neuronska mreža za uklanjanje zamućenja slika korištena za određivanje jesu li slike oštećene ili neoštećene. Uključivanjem mjera ciklusne dosljednosti za procjenu nesigurnosti i pristranosti mreže, istraživači su postigli poboljšanu točnost u konačnoj klasifikaciji.
Ovo istraživanje predstavlja važan korak prema poboljšanju pouzdanosti i otpornosti dubokih neuronskih mreža u rješavanju problema obrnutog snimanja slika. Uključivanjem procjene nesigurnosti kroz ciklusnu dosljednost, ove mreže imaju potencijal otkriti anomalije i napade na učinkovitiji način, osiguravajući pouzdanije rezultate.