تُعد [تكنولوجيا [التعلم](/tag/التعلم) العميق](/tag/[تكنولوجيا](/tag/تكنولوجيا)-[التعلم](/tag/التعلم)-العميق) ([Deep Learning](/tag/deep-learning)) من أبرز [الابتكارات](/tag/الابتكارات) [التقنية](/tag/التقنية) التي أثبتت فعاليتها في مجالات عدة، لاسيما في إعادة [بناء](/tag/بناء) [الصور](/tag/الصور). ومع ذلك، فقد ظهرت [تحديات جديدة](/tag/[تحديات](/tag/تحديات)-جديدة) تتعلق بإنتاج [النماذج](/tag/النماذج) لهلوسات أو تشكيلات غير واقعية قد تُعرقل [التحليل](/tag/التحليل) في سيناريوهات حرجة تتعلق بالسلامة.
في محاولةٍ لحل هذه الإشكالات، قدم الباحثون إطار [عمل](/tag/عمل) [جديد](/tag/جديد) يُسمى مقياس تقدير [الهلوسة](/tag/الهلوسة) المطابقة (Conformal Hallucination Estimation Metric - CHEM). يهدف هذا النموذج إلى تقدير وتوصيف الهلوسات في [نماذج](/tag/نماذج) إعادة [بناء](/tag/بناء) [الصور](/tag/الصور).
يعتمد أسلوب CHEM على [تمثيلات](/tag/تمثيلات) الموجات (Wavelet) والشرطات (Shearlet) لتحديد المناطق القابلة للهلاوس بدقة في مستوى [ميزات](/tag/ميزات) [الصورة](/tag/الصورة). كما يستفيد من [الانحدار](/tag/الانحدار) الكمي المطابق (Conformalized Quantile Regression) لتقييم مستويات [الهلوسة](/tag/الهلوسة) بطريقة غير مرتبطة بتوزيع محدد.
بجانب ذلك، قُدمت [تحليلات](/tag/تحليلات) [نظرية](/tag/نظرية) توضح [حساسية](/tag/حساسية) CHEM تجاه الهلوسات وعلاقته بالخطأ التربيعي المتوسط. وبالاستفادة من هذا الفهم، تم التحقيق في الأسباب وراء كون [الشبكات](/tag/الشبكات) الشكلية على شكل حرف U (U-shaped networks) - وهي من العمارة الشائعة في إعادة [بناء](/tag/بناء) [الصور](/tag/الصور) - تميل إلى إنتاج [تنبؤات](/tag/تنبؤات) معرضة للهلاوس.
أجريت [اختبارات](/tag/اختبارات) على فعالية الأسلوب المقترح في تفكيك [الصور](/tag/الصور) الفلكية باستخدام [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) CANDELS مع [نماذج](/tag/نماذج) مثل [U-Net](/tag/u-net) وSwinUNet وLearnlets، وعند إعادة تكبير [الصور](/tag/الصور) الطبيعية باستخدام [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) DIV2K مع [نماذج](/tag/نماذج) مثل DRUNet وUnfolded DRS وRAM وDPS. يُظهر [هذا العمل](/tag/هذا-العمل) المبتكر كيف يمكن للتطورات في [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) أن تُعزّز من [موثوقية](/tag/موثوقية) التحليلات في مجالات متعددة.
فهم وتقدير الهلوسات في تعلم الآلة العميق: أداة مبتكرة لمواجهة التحديات!
تسعى دراسات جديدة إلى تحسين إعادة بناء الصور باستخدام تقنيات التعلم العميق، ولكنها تواجه تحديات الإبداعات غير الواقعية. تعرف على إطار عمل CHEM الذي يحدد مناطق الهلوسة ويعزز دقة النماذج.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...
