فهم وتقدير الهلوسات في تعلم الآلة العميق: أداة مبتكرة لمواجهة التحديات!

تُعد تكنولوجيا التعلم العميق (Deep Learning) من أبرز الابتكارات التقنية التي أثبتت فعاليتها في مجالات عدة، لاسيما في إعادة بناء الصور. ومع ذلك، فقد ظهرت تحديات جديدة تتعلق بإنتاج النماذج لهلوسات أو تشكيلات غير واقعية قد تُعرقل التحليل في سيناريوهات حرجة تتعلق بالسلامة.

في محاولةٍ لحل هذه الإشكالات، قدم الباحثون إطار عمل جديد يُسمى مقياس تقدير الهلوسة المطابقة (Conformal Hallucination Estimation Metric - CHEM). يهدف هذا النموذج إلى تقدير وتوصيف الهلوسات في نماذج إعادة بناء الصور.

يعتمد أسلوب CHEM على تمثيلات الموجات (Wavelet) والشرطات (Shearlet) لتحديد المناطق القابلة للهلاوس بدقة في مستوى ميزات الصورة. كما يستفيد من الانحدار الكمي المطابق (Conformalized Quantile Regression) لتقييم مستويات الهلوسة بطريقة غير مرتبطة بتوزيع محدد.

بجانب ذلك، قُدمت تحليلات نظرية توضح حساسية CHEM تجاه الهلوسات وعلاقته بالخطأ التربيعي المتوسط. وبالاستفادة من هذا الفهم، تم التحقيق في الأسباب وراء كون الشبكات الشكلية على شكل حرف U (U-shaped networks) - وهي من العمارة الشائعة في إعادة بناء الصور - تميل إلى إنتاج تنبؤات معرضة للهلاوس.

أجريت اختبارات على فعالية الأسلوب المقترح في تفكيك الصور الفلكية باستخدام مجموعة بيانات CANDELS مع نماذج مثل U-Net وSwinUNet وLearnlets، وعند إعادة تكبير الصور الطبيعية باستخدام مجموعة بيانات DIV2K مع نماذج مثل DRUNet وUnfolded DRS وRAM وDPS. يُظهر هذا العمل المبتكر كيف يمكن للتطورات في الذكاء الاصطناعي أن تُعزّز من موثوقية التحليلات في مجالات متعددة.