O echipă de cercetare de la Universitatea din California, Los Angeles, condusă de Aydogan Ozcan, a dezvoltat o nouă metodă pentru îmbunătățirea fiabilității rețelelor neuronale profunde în rezolvarea problemelor de imagistică inversă. Publicată în jurnalul Intelligent Computing, această cercetare introduce o tehnică de cuantificare a incertitudinii care încorporează consistența ciclului pentru a îmbunătăți performanța rețelelor neuronale profunde.
Problemele de imagistică inversă, inclusiv reducerea zgomotului imaginii, imagistica de super-rezoluție și reconstrucția imaginii medicale, implică crearea unei imagini ideale folosind datele brute capturate care pot fi degradate. Cu toate acestea, rețelele neuronale profunde uneori produc rezultate nesigure, ceea ce poate avea consecințe grave în anumite contexte. Modelele care pot estima incertitudinea rezultatelor lor au potențialul de a fi mai eficiente în detectarea anomaliilor și a atacurilor.
Metoda nou dezvoltată utilizează un model fizic avansat ca o reprezentare computațională a relației intrare-ieșire. Prin combinarea acestui model cu o rețea neuronală și prin efectuarea de cicluri înainte-înapoi între datele de intrare și ieșire, incertitudinea se acumulează și este estimată în mod eficient.
Fundamentul teoretic al metodei se bazează pe stabilirea limitelor consistenței ciclului, definită ca diferența dintre ieșirile adiacente din ciclu. Cercetătorii au derivat atât limite superioare, cât și limite inferioare pentru consistența ciclului, demonstrând corelația acesteia cu incertitudinea ieșirii rețelei neuronale. Aceasta este valabilă chiar și în cazurile în care ieșirile ciclului diverg sau converg, permitând estimarea incertitudinii fără cunoașterea adevărului fundamentat.
Pentru a demonstra eficacitatea metodei, cercetătorii au efectuat două experimente. Primul experiment s-a concentrat pe eliminarea neclarității imaginii, o problemă inversă, în care o rețea de eliminare pre-antrenată a neclarității imaginii a fost utilizată pentru a determina dacă imaginile erau corupte sau necorupte. Prin încorporarea metricilor de consistență a ciclului pentru estimarea incertitudinii și a erorii rețelei, cercetătorii au obținut o precizie îmbunătățită în clasificarea finală.
Această cercetare reprezintă un pas important către îmbunătățirea fiabilității și robusteții rețelelor neuronale profunde în rezolvarea problemelor de imagistică inversă. Prin încorporarea estimării incertitudinii prin consistența ciclului, aceste rețele au potențialul de a detecta anomalii și atacuri mai eficient, asigurând rezultate mai de încredere și mai dependabile.