Zespół badawczy z Uniwersytetu Kalifornijskiego w Los Angeles, pod kierownictwem Aydogana Ozcana, opracował nową metodę poprawy niezawodności głębokich sieci neuronowych w rozwiązywaniu odwróconych problemów obrazowania. Opublikowane w czasopiśmie „Intelligent Computing” badania wprowadzają technikę kwantyfikacji niepewności, która korzysta ze spójności cyklu w celu poprawy wydajności głębokich sieci neuronowych.
Odwrócone problemy obrazowania, w tym odszumianie obrazu, obrazowanie o super-rozdzielczości oraz odtwarzanie obrazów medycznych, polegają na tworzeniu idealnego obrazu przy użyciu surowych danych obrazowych, które mogły zostać zdegradowane. Jednak głębokie sieci neuronowe czasami dostarczają niepewne rezultaty, co może mieć poważne konsekwencje w pewnych kontekstach. Modele, które mogą oszacować niepewność wyników, mają potencjał, aby bardziej skutecznie wykrywać nieprawidłowości i ataki.
Nowo opracowana metoda wykorzystuje model przedni jakobianowy jako obliczeniową reprezentację zależności między wejściem a wyjściem. Poprzez połączenie tego modelu z siecią neuronową i wykonywanie cykli przednich i tylnych między danymi wejściowymi i wyjściowymi, niepewność jest gromadzona i skutecznie oszacowywana.
Teoretyczne podstawy metody opierają się na ustalaniu granic spójności cyklu, definiowanej jako różnica między sąsiednimi wyjściami w cyklu. Badacze opracowali zarówno górne, jak i dolne granice spójności cyklu, dowodząc jej korelacji z niepewnością wyników sieci neuronowej. Dotyczy to nawet przypadków, w których wyjścia cyklu rozbiegają się lub zbiegają, umożliwiając oszacowanie niepewności bez znajomości prawdy referencyjnej.
Aby zademonstrować skuteczność metody, badacze przeprowadzili dwa eksperymenty. Pierwszy eksperyment skupiał się na rozmyciu obrazu, problemie odwróconym, w którym użyto wcześniej nauczona sieć do rozmycia obrazów, aby określić, czy są one zniekształcone czy nieznieszkodliwione. Poprzez uwzględnienie miar spójności cyklu do oszacowania niepewności i uprzedzeń sieci, badacze osiągnęli poprawioną dokładność w końcowej klasyfikacji.
Te badania stanowią ważny krok w kierunku poprawy niezawodności i odporności głębokich sieci neuronowych w rozwiązywaniu odwróconych problemów obrazowania. Poprzez uwzględnienie oszacowania niepewności poprzez spójność cyklu, te sieci mają potencjał do bardziej skutecznego wykrywania anomalii i ataków, zapewniając bardziej wiarygodne i niezawodne wyniki.
The source of the article is from the blog scimag.news