L’équipe de recherche développe un modèle d’intelligence artificielle pour éliminer efficacement les biais dans l’ensemble de données

L’équipe de recherche du professeur Sang-hyun Park, du département de génie robotique et mécatronique de l’Institut des sciences et applied sciences de Daegu Gyeongbuk (DGIST), a développé un nouveau modèle de traduction d’photographs qui peut réduire efficacement les biais dans les données.

Dans le processus de développement d’un modèle d’intelligence artificielle (IA) utilisant des photographs collectées à partir de diverses assets, contrairement à l’purpose de l’utilisateur, des biais de données peuvent survenir en raison de divers facteurs. Le modèle développé peut supprimer les biais de données malgré l’absence d’informations sur ces facteurs, offrant ainsi des performances élevées pour l’analyse d’photographs. Cette resolution devrait faciliter les inventions dans les domaines de los angeles conduite autonome, de los angeles création de contenu et de los angeles médecine.

Les ensembles de données utilisés pour former des modèles d’apprentissage profond ont tendance à présenter des biais. Par exemple, lors de los angeles création d’un ensemble de données pour différencier los angeles pneumonie bactérienne de los angeles maladie à coronavirus 2019 (COVID-19), les stipulations de collecte d’photographs peuvent différer en raison du risque d’an infection à coronavirus. Par conséquent, ces différences conduisent à des différences subtiles dans les photographs, ce qui amène les modèles d’apprentissage profond actuels à différencier les maladies en fonction de caractéristiques causées par des différences dans les protocoles d’photographs plutôt que de caractéristiques essentielles à l’identity opérationnelle de los angeles maladie.

Dans ce cas, ces modèles affichent des performances élevées sur los angeles base des données utilisées dans leur processus de formation. Cependant, ils affichent des performances limitées sur les données obtenues à différents endroits en raison de leur incapacité à généraliser efficacement, ce qui peut entraîner des problèmes de surajustement. En particulier, les ways actuelles d’apprentissage profond ont tendance à utiliser les différences tissulaires comme données intéressantes, ce qui peut conduire à des prédictions inexactes.

Pour relever ces défis, l’équipe de recherche du professeur Park a développé un modèle de traduction d’photographs succesful de générer un ensemble de données appliquant los angeles suppression du biais de texture et d’effectuer un processus d’apprentissage basé sur l’ensemble de données généré.

Les modèles de traduction d’photographs existants sont souvent limités par le problème des changements de texture conduisant à des changes involontaires du contenu, à mesure que les textures et le contenu s’entremêlent. Pour résoudre ce problème, l’équipe de recherche du professeur Park a développé un nouveau modèle qui utilise simultanément des fonctions d’erreur pour les textures et le contenu. L’ouvrage est publié dans los angeles revue Les réseaux de neurones.

Le nouveau modèle de traduction d’symbol proposé par cette équipe de recherche fonctionne en extrayant des informations sur le contenu de l’symbol d’entrée et des textures d’un domaine différent et en les combinant.

Pour préserver simultanément les informations non seulement sur le contenu des photographs d’entrée mais également sur los angeles texture du nouveau domaine, le modèle développé est entraîné en utilisant à los angeles fois des fonctions d’erreur pour l’autosimilarité spatiale et los angeles redondance de texture. Grâce à ces opérations, le modèle peut générer une symbol présentant différentes textures de domaine tout en préservant les informations sur le contenu de l’symbol d’entrée.

Étant donné que le modèle d’apprentissage en profondeur développé crée un ensemble de données qui applique los angeles suppression des biais de texture et utilise l’ensemble de données généré pour los angeles formation, il affiche de meilleures performances que les modèles existants.

Il a obtenu des performances supérieures par rapport aux ways existantes de débiaisation et de traduction d’photographs lorsqu’il a été testé sur des ensembles de données présentant des biais de texture, tels qu’un ensemble de données de classification pour distinguer les chiffres, un ensemble de données de classification pour distinguer les chiens et les chats avec des couleurs de poils différentes, et un ensemble de données de classification qui applique différentes protocoles d’imagerie pour différencier le COVID-19 de los angeles pneumonie bactérienne. De plus, il surpasse les méthodes existantes lorsqu’il est appliqué à des ensembles de données présentant des biais différents, tels que l’ensemble de données de classification pour los angeles discrimination numérique multi-étiquettes et celui pour los angeles reconnaissance d’photographs, d’photographs, d’animations et de graphiques.

De plus, los angeles method de traduction d’photographs proposée par l’équipe de recherche du professeur Park peut être appliquée au traitement d’photographs. L’équipe de recherche a constaté que los angeles méthode développée modifie uniquement los angeles texture de l’symbol tout en préservant son contenu unique. Ce résultat analytique a confirmé les performances supérieures de los angeles méthode développée par rapport aux méthodes de traitement d’photographs existantes.

De plus, cette resolution peut être utilisée efficacement dans d’autres environnements. L’équipe de recherche a comparé les performances de los angeles méthode développée avec celles des méthodes de traduction d’photographs existantes basées sur différents domaines, tels que les photographs médicales et les photographs autonomes. Sur los angeles base des résultats analytiques, los angeles méthode développée a montré de meilleures performances que les méthodes actuelles.

Le professeur Park a déclaré : « Los angeles technologie développée dans cette recherche offre une amélioration significative des performances dans les eventualities où des ensembles de données inévitablement biaisés sont utilisés pour former des modèles d’apprentissage profond dans les domaines industriels et médicaux. »

“Cette resolution devrait apporter une contribution significative à l’amélioration de los angeles puissance des modèles d’IA utilisés commercialement ou distribués dans divers environnements à des fins commerciales”, a-t-il ajouté.

Fourni par l’Institut des sciences et applied sciences de Daegu Gyeongbuk