不确定性估计是提高深度神经网络可靠性的关键。加州大学洛杉矶分校的Aydogan Ozcan领导的一个研究小组引入了一种不确定性量化方法，该方法使用循环一致性来提高深度神经网络在解决逆成像问题时的可靠性。

　　这项研究发表在《智能计算》杂志上。

　　深度神经网络已被用于解决逆成像问题，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创建理想图像，通常经过一些退化。然而，深度神经网络有时会产生不可靠的结果，在某些情况下，不正确的预测可能会产生严重的后果。可以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，例如异常数据和直接攻击。

　　估计网络不确定性的新方法使用物理前向模型，该模型作为控制输入输出关系的底层过程的计算表示。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正反向循环，可以有效地估计不确定性的累积。

　　该方法的理论基础包括建立周期一致性的界限，定义为周期中相邻输出之间的差异。研究人员推导了周期一致性的上界和下界，证明了它与神经网络输出的不确定性的关系。该研究考虑了循环输出发散和收敛的情况，并为这两种情况提供了表达式。导出的界可以用来估计不确定性，即使不知道基本真理。

　　新方法的有效性通过两个实验得到了证明，如下所述。

　　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向问题。他们创建了一些被噪声破坏和未被破坏的模糊图像，并应用了一个图像去模糊网络，该网络在未被破坏的数据上进行了预训练，以消除这些图像的模糊。然后，他们训练了一个机器学习模型，通过前后循环将图像分类为损坏或未损坏。他们发现，使用他们的周期一致性指标来估计网络的不确定性和偏差，使最终的分类更加准确。

　　对于第二项任务，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:动画、显微镜和人脸图像，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了测试，其中机器学习算法学会了根据前后循环区分训练测试数据分布差异。

　　例如，当使用动画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“不在分布范围内”，也就是说，这不是网络训练的目标;该算法能够准确地检测出这些超出分配范围的情况并提醒用户。另外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非分布图像方面具有更好的整体精度。

　　研究人员预计，他们基于循环一致性的不确定性量化方法将大大有助于提高反成像问题中神经网络推断的可靠性。此外，该方法还可以应用于不确定性引导学习。这项研究标志着解决与神经网络预测不确定性相关的挑战迈出了重要的一步，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。

　　更多资料:黄路哲等，基于循环一致性的神经网络在逆成像问题中的不确定性量化，智能计算(2023)。DOI: 10.34133 / icomputing.0071引用本文:解决反成像问题中神经网络可靠性挑战的新方法(2024,January 16)检索自https://techxplore.com/news/2024-01-method-reliability-neural-networks-inverse.html。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。