Cet article a été révisé selon Science X processus éditorial
et Stratégies.
Éditeurs ont mis en avant les attributs suivants tout en assurant la crédibilité du contenu :
faits vérifiés
source fiable
relire
D’accord! (A) Pipelines de formation des méthodes basées sur la cohérence du cycle et de base. Après la formation, les réseaux ont été testés pour détecter les images non distribuées. (B à D) Précision de détection hors distribution des méthodes basées sur la cohérence du cycle et de base. Crédit : Laboratoire Ozcan / UCLA
× fermer
(A) Pipelines de formation des méthodes basées sur la cohérence du cycle et de base. Après la formation, les réseaux ont été testés pour détecter les images non distribuées. (B à D) Précision de détection hors distribution des méthodes basées sur la cohérence du cycle et de base. Crédit : Laboratoire Ozcan / UCLA
L’estimation de l’incertitude est essentielle pour améliorer la fiabilité des réseaux de neurones profonds. Une équipe de recherche dirigée par Aydogan Ozcan de l’Université de Californie à Los Angeles a introduit une méthode de quantification de l’incertitude qui utilise la cohérence des cycles pour améliorer la fiabilité des réseaux neuronaux profonds dans la résolution des problèmes d’imagerie inverse.
Cette recherche a été publié en informatique intelligente.
Les réseaux neuronaux profonds ont été utilisés pour résoudre des problèmes d’imagerie inverse, tels que le débruitage d’images, l’imagerie à super-résolution et la reconstruction d’images médicales, dans lesquels l’objectif est de créer une image idéale en utilisant les données d’image brutes réellement capturées, souvent après une certaine dégradation. Cependant, les réseaux neuronaux profonds produisent parfois des résultats peu fiables et, dans certains contextes, des prédictions incorrectes peuvent avoir de graves conséquences. Les modèles capables d’estimer quantitativement leur degré de certitude concernant leurs résultats peuvent mieux détecter les situations anormales, telles que les données anormales et les attaques pures et simples.
La nouvelle méthode d’estimation de l’incertitude du réseau utilise un modèle physique direct, qui sert de représentation informatique des processus sous-jacents régissant la relation entrée-sortie. En combinant ce modèle avec un réseau neuronal et en exécutant des cycles avant-arrière entre les données d’entrée et de sortie, l’incertitude s’accumule et peut être estimée efficacement.
Le fondement théorique de la méthode consiste à établir les limites de la cohérence du cycle, définie comme la différence entre les résultats adjacents du cycle. Les chercheurs ont dérivé des limites supérieures et inférieures pour la cohérence du cycle, démontrant sa relation avec l’incertitude de la sortie du réseau neuronal. L’étude a examiné les cas où les résultats du cycle divergeaient et ceux où ils convergeaient, fournissant ainsi des expressions pour les deux scénarios. Les limites dérivées peuvent être utilisées pour estimer l’incertitude même sans connaissance de la vérité terrain.
L’efficacité de la nouvelle méthode a été démontrée à travers deux expériences, décrites ci-dessous.
(A) Gauche : l’image nette (vérité terrain) et le noyau de flou de mouvement utilisés. À droite : les images d’entrée corrompues par le bruit et les sorties floues. (B) Projection des données sur l’espace 2D formé par les 2 attributs les plus importants (estimateurs d’incertitude basés sur la cohérence du cycle). (C) Précision de détection de la nouvelle méthode et de 2 méthodes de base. (D) Incertitude estimée et réelle et importance de chaque attribut pour la classification. Crédit : Laboratoire Ozcan / UCLA
× fermer
(A) Gauche : l’image nette (vérité terrain) et le noyau de flou de mouvement utilisés. À droite : les images d’entrée corrompues par le bruit et les sorties floues. (B) Projection des données sur l’espace 2D formé par les 2 attributs les plus importants (estimateurs d’incertitude basés sur la cohérence du cycle). (C) Précision de détection de la nouvelle méthode et de 2 méthodes de base. (D) Incertitude estimée et réelle et importance de chaque attribut pour la classification. Crédit : Laboratoire Ozcan / UCLA
Détection de corruption d’image
Pour cette tâche, les chercheurs se sont concentrés sur un type de problème inverse appelé suppression du flou d’image. Ils ont créé des images floues corrompues par le bruit et non corrompues et ont appliqué un réseau de suppression du flou d’image pré-entraîné sur des données non corrompues pour supprimer le flou de ces images. Ensuite, ils ont formé un modèle d’apprentissage automatique pour classer les images comme corrompues ou non corrompues selon des cycles avant-arrière. Ils ont constaté que l’utilisation de leurs mesures de cohérence de cycle pour estimer l’incertitude et les biais du réseau rendait la classification finale plus précise.
Détection des images hors diffusion
Pour cette deuxième tâche, les auteurs ont étendu leur méthode aux problèmes de super-résolution d’images. Ils ont collecté trois types d’images basse résolution : images d’anime, de microscopie et de visage, et ont formé trois réseaux neuronaux super-résolution, un pour chaque type d’image. Ensuite, chacun de ces réseaux de super-résolution a été testé sur trois types d’images, où un algorithme d’apprentissage automatique a appris à distinguer les écarts de distribution des données entre les tests d’entraînement et les cycles avant-arrière.
Par exemple, lors des tests avec le réseau super-résolution d’images animées, la microscopie basse résolution et les images faciales étaient « hors distribution », c’est-à-dire que ce n’était pas pour cela que le réseau avait été formé ; l’algorithme a détecté avec précision ces cas de non-distribution pour alerter les utilisateurs. Les résultats pour les deux autres réseaux étaient similaires. Par rapport à d’autres méthodes, la méthode basée sur la cohérence du cycle présentait une meilleure précision globale pour identifier les images hors distribution.
Les chercheurs prévoient que leur méthode de quantification de l’incertitude basée sur la cohérence des cycles contribuera de manière significative à améliorer la fiabilité des inférences de réseaux neuronaux dans les problèmes d’imagerie inverse. De plus, la méthode pourrait trouver des applications dans l’apprentissage guidé par l’incertitude. Cette étude marque une étape importante vers la résolution des défis associés à l’incertitude dans les prédictions des réseaux neuronaux, ouvrant la voie à un déploiement plus fiable et plus sûr de modèles d’apprentissage profond dans des applications critiques du monde réel.
Plus d’information:
Luzhe Huang et al, Quantification de l’incertitude basée sur la cohérence du cycle des réseaux de neurones dans les problèmes d’imagerie inverse, Calcul intelligent (2023). DOI : 10.34133/informatique.0071
2024-01-17 00:43:03
1705442481
#Nouvelle #méthode #pour #relever #les #défis #fiabilité #des #réseaux #neurones #dans #les #problèmes #dimagerie #inverse