DeepAdversaries：检验深度学习模型在星系形态分类中的鲁棒性
机器学习
2022-07-08 v3 星系天体物理
人工智能
计算机视觉与模式识别
摘要
随着有监督深度学习方法在宇宙学巡天数据处理与分析中的采用日益增多，评估数据扰动效应（在数据处理与分析流水线中自然发生）以及开发提升模型鲁棒性的方法变得愈发重要。在星系形态分类的背景下，我们研究了成像数据中扰动的影响。特别地，我们考察了在基线数据上训练而在扰动数据上测试时使用神经网络的后果。我们考虑与两个主要来源相关的扰动：1）以更高水平泊松噪声表示的增强观测噪声；2）由图像压缩或望远镜误差等步骤引起的数据处理噪声，以单像素对抗攻击表示。我们还测试了域适应技术在缓解扰动驱动误差方面的有效性。我们使用分类准确率、隐空间可视化和隐空间距离来评估模型鲁棒性。在不使用域适应的情况下，我们发现处理像素级误差容易将分类翻转为错误类别，且更高的观测噪声使得在低噪声数据上训练的模型无法对星系形态进行分类。另一方面，我们表明使用域适应训练可改善模型鲁棒性并缓解这些扰动的影响，在具有更高观测噪声的数据上将分类准确率提高了23%。域适应还将基线图像与错误分类的单像素扰动图像之间的隐空间距离增加了约2.3倍，使模型对无意扰动更具鲁棒性。
引用
@article{arxiv.2112.14299,
title = {DeepAdversaries: Examining the Robustness of Deep Learning Models for Galaxy Morphology Classification},
author = {Aleksandra Ćiprijanović and Diana Kafkes and Gregory Snyder and F. Javier Sánchez and Gabriel Nathan Perdue and Kevin Pedro and Brian Nord and Sandeep Madireddy and Stefan M. Wild},
journal= {arXiv preprint arXiv:2112.14299},
year = {2022}
}
备注
20 pages, 6 figures, 5 tables; accepted in MLST