不确定性估计对于提高深度神经网络的可靠性至关重要。加州大学洛杉矶分校 Aydogan Ozcan 领导的研究团队引入了一种不确定性量化方法，该方法利用循环一致性来增强深度神经网络在解决逆成像问题时的可靠性。
这项研究于 12 月 21 日发表在《智能计算》(Science Partner Journal)上。
深度神经网络已被用于解决逆成像问题，例如图像去噪、超分辨率成像和医学图像重建，其目标是使用实际捕获的原始图像数据(通常是在一些退化之后)创建理想图像。然而，深度神经网络有时会产生不可靠的结果，并且在某些情况下，错误的预测可能会产生严重的后果。能够定量估计其输出的确定性的模型可以更好地检测异常情况，例如异常数据和彻底的攻击。
估计网络不确定性的新方法使用物理正向模型，该模型作为控制输入输出关系的基础过程的计算表示。通过将该模型与神经网络相结合并在输入和输出数据之间执行前向-后向循环，不确定性会累积并可以有效地估计。
该方法的理论基础涉及建立循环一致性的界限，定义为循环中相邻输出之间的差异。研究人员得出了循环一致性的上限和下限，证明了它与神经网络输出不确定性的关系。该研究考虑了周期产出出现分歧的情况和趋同的情况，为这两种情况提供了表达。即使不了解基本事实，导出的界限也可用于估计不确定性。
通过两个实验证明了新方法的有效性：
1. 图像损坏检测
对于这项任务，研究人员专注于一种称为图像去模糊的逆问题。他们创建了一些被噪声损坏和未损坏的模糊图像，并应用了一个在未损坏的数据上预先训练的图像去模糊网络来对这些图像进行去模糊。然后，他们训练了一个机器学习模型，通过前向-后向循环将图像分类为损坏或未损坏。他们发现，使用循环一致性指标来估计网络不确定性和偏差可以使最终分类更加准确。
2. 分布外图像的检测
对于第二个任务，作者将他们的方法扩展到图像超分辨率问题。他们收集了三种类型的低分辨率图像：动漫、显微镜和面部图像，并训练了三个超分辨率神经网络，每种图像类型一个。然后，每个超分辨率网络都在三种类型的图像上进行测试，其中机器学习算法学会根据前向-后向循环区分训练-测试数据分布差异。例如，当使用动漫图像超分辨率网络进行测试时，低分辨率显微镜和面部图像是“分布不均匀”的，也就是说，不是网络训练的目的;该算法准确地检测到这些超出分布的情况，以提醒用户。其他两个网络的结果相似。与其他方法相比，基于循环一致性的方法在识别分布外图像方面具有更好的整体精度。
研究人员预计，他们的基于循环一致性的不确定性量化方法将大大有助于提高逆成像问题中神经网络推理的可靠性。此外，该方法可以在不确定性引导学习中找到应用。这项研究标志着朝着解决与神经网络预测的不确定性相关的挑战迈出了重要一步，为在关键的现实应用中更可靠、更自信地部署深度学习模型铺平了道路。
免责声明：本文由用户上传，如有侵权请联系删除！
