Este artículo sobre IA de UCLA revoluciona la cuantificación de la incertidumbre en redes neuronales profundas mediante la coherencia del ciclo

Con el crecimiento del aprendizaje profundo, se utiliza en muchos campos, incluida la minería de datos y el procesamiento del lenguaje natural. También se utiliza ampliamente para resolver problemas de imágenes inversas, como la eliminación de ruido y las imágenes de superresolución. Las técnicas de eliminación de ruido de imágenes se utilizan para generar imágenes de alta calidad a partir de datos sin procesar. Sin embargo, las redes neuronales profundas son inexactas y pueden producir resultados poco fiables.

Para abordar este desafío, los investigadores han llevado a cabo una investigación exhaustiva. Se ha descubierto que la incorporación de la cuantificación de la incertidumbre (UQ) en los modelos de aprendizaje profundo mide su nivel de confianza con respecto a las predicciones. Permite al modelo encontrar situaciones inusuales como datos anómalos y ataques maliciosos. Sin embargo, muchos modelos de aprendizaje profundo no tienen capacidades UQ sólidas para distinguir los cambios en la distribución de datos durante las etapas de prueba.

En consecuencia, investigadores de la Universidad de California en Los Ángeles han propuesto una nueva técnica de UQ que se basa en la coherencia del ciclo. Puede mejorar la confiabilidad de las redes neuronales profundas en problemas de imágenes inversas. Su poderoso método UQ estima cuantitativamente la incertidumbre de los resultados de la red neuronal y detecta automáticamente cualquier corrupción de datos de entrada desconocida y cambios en la distribución. El modelo funciona ejecutando ciclos hacia adelante y hacia atrás utilizando un modelo físico hacia adelante y tiene una red neuronal entrenada de forma iterativa. Además, acumula incertidumbre y la estima combinando una representación computacional de los procesos subyacentes con una red neuronal y ejecutando ciclos entre datos de entrada y salida.

Los investigadores han establecido límites superior e inferior para la coherencia del ciclo. Estos límites aclaran su vínculo con la incertidumbre de salida de una red neuronal determinada. Estos límites se derivan utilizando expresiones para resultados de ciclos convergentes y divergentes. La determinación del límite nos permite estimar la incertidumbre incluso si la verdad fundamental permanece sin revelarse. Además, los investigadores desarrollaron un modelo de aprendizaje automático que puede clasificar imágenes según las perturbaciones que presentan mediante ciclos de avance y retroceso. Los investigadores enfatizaron que las métricas de consistencia del ciclo mejoraron la precisión de la clasificación final.

Además, para abordar el problema de la identificación de imágenes fuera de distribución (OOD) relacionadas con la superresolución de imágenes, reunieron tres categorías de imágenes de baja resolución: anime, microscopía y rostros humanos. Utilizaron redes neuronales de superresolución separadas para cada categoría de imagen y luego realizaron evaluaciones en los tres sistemas. Luego, utilizaron un algoritmo de aprendizaje automático para determinar las discrepancias en la distribución de datos basándose en ciclos hacia adelante y hacia atrás. Descubrieron que las alertas activadas por modelos se clasificaban como instancias OOD cuando la red de superresolución de imágenes animadas se utilizaba en otras entradas, imágenes microscópicas y faciales. La comparación de las otras dos redes mostró resultados similares. Muestra que la precisión general en la identificación de fotografías OOD fue mayor que la de otros enfoques.

En conclusión, este método UQ basado en la consistencia del ciclo, desarrollado por investigadores de la Universidad de California en Los Ángeles, puede aumentar la confiabilidad de las redes neuronales en imágenes inversas. Además, este método también se puede utilizar en otros campos donde son necesarias estimaciones de incertidumbre. Además, este modelo puede ser un paso importante para abordar los desafíos de la incertidumbre en las predicciones de redes neuronales y puede marcar el camino para una implementación más confiable de modelos de aprendizaje profundo en aplicaciones del mundo real.

Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Unirse nuestro SubReddit de 36k+ ML, 41k+ comunidad de Facebook, Canal de discordiay LinkedIn Grarriba.

Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..

No olvides unirte a nuestro Canal de telegramas