Tyrimo komanda, vadovaujama Aydogano Ozcano iš Kalifornijos universiteto, Los Andžele, sukūrė naują metodą, skirtą giliųjų neuroninių tinklų patikimumui pagerinti sprendžiant apversto tipo vaizdo atkūrimo problemas. Šis tyrimas, paskelbtas žurnale Intelligent Computing, pristato nusistatymo netaiklumu grindžiamą techniką, kuri įtraukia ciklo korektiškumą, siekiant pagerinti giliųjų neuroninių tinklų veikimą.
Apversto tipo vaizdo atkūrimo problemos, įskaitant vaizdo triukšmo mažinimą, super-rasimo vaizdų formavimą ir medicininio vaizdo atkūrimą, apima idealaus vaizdo sukūrimą naudojant užfiksuotus žaliavinius vaizdo duomenis, kurie gali būti pažeisti. Tačiau kartais gilieji neuroniniai tinklai duoda nepatikimus rezultatus, kas gali turėti rimtų pasekmių tam tikroms situacijoms. Modeliai, kurie gali įvertinti savo išvesties netaiklumą, turi potencialą efektyviau aptikti anomalijas ir atakas.
Naujai sukurtas metodas naudoja fizinį tiesinis modelį kaip įvesties-išvesties ryšio skaičiavimo atstovą. Jame sujungiamas šis modelis su neuroniniu tinklu ir atliekamos priekinio ir atgalinio ciklo operacijos tarp įvesties ir išvesties duomenų, kaupiant ir efektyviai įvertinant netaiklumą.
Metodo teorinė pagrindas yra ciklo korektiškumo ribų nustatymas, tai yra skirtumas tarp gretimų cikle esančių išvesties rezultatų. Tyrėjai išvesti tiek viršutines, tiek apatines ribas ciklo korektiškumui, demonstruojant jo sąsajas su neuroninio tinklo išvesties netaiklumu. Tai išlieka net tuomet, kai ciklo išvestys išsiskiria arba susilieja, todėl galima įvertinti netaiklumą neturint jiems pagrindo tiesos.
Norėdami įrodyti metodo efektyvumą, tyrėjai atliko du eksperimentus. Pirmas eksperimentas buvo skirtas vaizdų apmazinimui, apverstai problemai, kai naudota išankstinio apmazinimo vaizdo tinklo treniruotė, siekiant nustatyti, ar vaizdai yra sukrauti arba ne. Įtraukus ciklo korektiškumo metrikas netaiklumo ir iškreiptumo įvertinimui, tyrėjai pasiekė pagerintą tikslumą galutiniame klasifikavime.
Šis tyrimas yra svarbus žingsnis siekiant pagerinti giliųjų neuroninių tinklų patikimumą ir atsparumą sprendžiant apversto tipo vaizdo atkūrimo problemas. Įtraukus netaiklumo įvertinimą per ciklo korektiškumą, šie tinklai turi galimybę efektyviau aptikti anomalijas ir atakas, užtikrindami patikimesnius rezultatus.