Condividi:

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram

I sistemi di reti neurali deep learning sono sempre più usati per prendere decisioni vitali per la sicurezza delle persone come per le macchine a guida autonoma o per le diagnosi mediche.

Queste reti sono ottime nel riconoscere schemi e modelli in vasti dataset per aiutare a prendere decisioni migliori, ma come sappiamo se effettivamente la rete ha avuto abbastanza dati e di buona qualità per poter essere affidabile?

I ricercatori del MIT hanno sviluppato un modo per permettere a una rete di velocizzare l’analisi dei dati e mandare in output non solo dei risultati logici ma anche una stima dell’affidabilità del modello elaborato in base alla qualità dei dati immessi.

Si tratta di un passo avanti che può sembrare piccolo ma è di importanza fondamentale, soprattutto in scenari che influenzano il mondo reale con i loro risultati.

Il livello di sicurezza di un modello può determinare la scelta di una macchina a guida autonoma tra “l’incrocio è libero, si può procedere senza problemi” e “l’incrocio è libero, ma è meglio fermarsi per sicurezza e ricontrollare con dati più attendibili”.


Potrebbe interessarti anche: Cos’è e come funziona una Rete Convoluzionale


Questa idea si può applicare ad ampio raggio per tutti i modelli imparati dal deep learning di una rete, così oltre a capirne il livello di certezza possiamo capire anche quali dati mancanti potrebbero migliorarli.

Il metodo attuale per stimare il livello di incertezza è relativamente inefficiente e lento nelle decisioni veloci. Il team del MIT ha sviluppato un metodo chiamato “deep evidential regression” per migliorare l’efficenza.

Deep evidential regression delle reti neurali

In realtà l’analisi dell’incertezza non è un concetto nuovo, ma finora l’approccio standard si è basato sul ripetere più volte l’analisi e campionare i risultati per capire l’affidabilità della rete. Si tratta di un metodo molto pesante in termini di risorse e di velocità.

I ricercatori sono invece riusciti a stimare l’incertezza con una singola esecuzione progettando un singolo output che produca una decisione ma anche un risultato probabilistico in supporto a quella specifica decisione in quello specifico caso.

Questo vuol dire che la rete è in grado di comunicare il livello di fiducia sul suo stesso risultato in base ai dati a sua disposizione.

In conclusione, Deep Evidential Regression è un approccio semplice ed elegante che siamo sicuri verrà implementata sempre di più in tutti i campi vista la sua utilità.

Fonte

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram
Andrew

Andrew


Iscriviti
Notificami
guest
0 Commenti
Inline Feedback
Vedi tutti i commenti