La recopilación de datos podría ser una excelente oportunidad para la introducción involuntaria de sesgos de textura. Cuando un modelo se entrena con datos sesgados y luego se aplica a datos fuera de distribución, el rendimiento a menudo cae dramáticamente ya que es necesario aclarar la fuente y la naturaleza de los sesgos. La literatura es rica en investigaciones destinadas a reducir o eliminar los prejuicios. Investigaciones anteriores propusieron extraer características independientes del sesgo mediante el aprendizaje contradictorio, lo que permite que el modelo resuelva la tarea de clasificación prevista sin depender de datos sesgados. Sin embargo, dado que es un desafío desacoplar completamente las características sesgadas mediante el aprendizaje contradictorio, las representaciones basadas en texturas comúnmente se conservan después del entrenamiento.
Un equipo del Instituto de Ciencia y Tecnología Daegu Gyeongbuk (DGIST) ha creado un nuevo modelo de traducción de imágenes que tiene el potencial de reducir significativamente los sesgos de los datos. Al crear un modelo de IA desde cero a partir de una colección de fotografías de múltiples fuentes, pueden existir sesgos en los datos a pesar de los mejores esfuerzos del usuario para evitarlos. Se logra un alto rendimiento en el análisis de imágenes gracias a la capacidad del modelo creado para eliminar sesgos en los datos sin conocimiento sobre dichos aspectos. Los desarrollos en vehículos autónomos, creación de contenido y atención médica se beneficiarían de esta solución.
Los modelos de aprendizaje profundo a menudo se entrenan con conjuntos de datos sesgados. Por ejemplo, al desarrollar un conjunto de datos para identificar la neumonía bacteriana por la enfermedad del coronavirus 2019 (COVID-19), las circunstancias de la recopilación de imágenes pueden variar debido a la posibilidad de infección por COVID-19. En consecuencia, estas variaciones dan como resultado pequeñas diferencias en las imágenes, lo que hace que los modelos de aprendizaje profundo existentes diagnostiquen enfermedades basándose en atributos resultantes de diferencias en los procedimientos de imágenes en lugar de las cualidades clave para la identificación práctica de enfermedades.
Utilizando la pérdida de autosimilitud espacial, la coocurrencia de texturas y las pérdidas de GAN, podemos generar imágenes de alta calidad con las cualidades deseadas, como contenido consistente y texturas locales y globales similares. Una vez producidas las imágenes con la ayuda de los datos de entrenamiento, se puede aprender un clasificador desviado o un modelo de segmentación modificado. Las aportaciones más importantes son las siguientes:
Como alternativa, el equipo sugiere utilizar la coocurrencia de texturas y las pérdidas de autosimilitud espacial para traducir imágenes. La tarea de traducción de imágenes es una tarea en la que estas pérdidas nunca se han estudiado de forma aislada de otras. Demuestran que se pueden obtener imágenes óptimas para la eliminación del sesgo y la adaptación del dominio optimizando ambas pérdidas.
El equipo presenta una estrategia para aprender tareas posteriores que mitiga eficazmente los sesgos inesperados durante el entrenamiento al enriquecer explícitamente el conjunto de datos de entrenamiento sin utilizar etiquetas de sesgo. Nuestro enfoque también es independiente del módulo de segmentación, lo que le permite funcionar con herramientas de segmentación de última generación. Nuestro enfoque puede adaptarse eficientemente a estos modelos y aumentar el rendimiento enriqueciendo el conjunto de datos de entrenamiento.
El equipo demostró la superioridad de nuestro enfoque sobre las técnicas de adaptación de dominio y eliminación de sesgos de última generación al compararlo con cinco conjuntos de datos sesgados y dos conjuntos de datos de adaptación de dominio y al generar imágenes de alta calidad en comparación con modelos de traducción de imágenes anteriores.
El modelo de aprendizaje profundo creado supera a los algoritmos preexistentes porque crea un conjunto de datos aplicando eliminación de sesgo de textura y luego usa ese conjunto de datos para entrenar.
Logró un rendimiento superior en comparación con las técnicas existentes de eliminación de sesgos y traducción de imágenes cuando se probó en conjuntos de datos con sesgos de textura, como un conjunto de datos de clasificación para distinguir números, un conjunto de datos de clasificación para determinar perros y gatos con diferentes colores de pelo y un conjunto de datos de clasificación que aplica otros protocolos de imágenes. para distinguir COVID-19 de la neumonía bacteriana. También funcionó mejor que los métodos anteriores en conjuntos de datos que incluyen sesgos, como un conjunto de datos de clasificación diseñado para diferenciar entre números enteros con etiquetas múltiples y uno destinado a diferenciar entre fotografías fijas, GIF y GIF animados.
Revisar la Papel y Artículo de referencia. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 32k+ ML, Comunidad de Facebook de más de 40.000 personas, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
también estamos en Telegrama y WhatsApp.
Dhanshree Shenwai es ingeniero en informática y tiene una buena experiencia en empresas de tecnología financiera que cubren el ámbito financiero, tarjetas y pagos y banca con un gran interés en las aplicaciones de IA. Le entusiasma explorar nuevas tecnologías y avances en el mundo en evolución de hoy que facilita la vida de todos.