通过模块化与组合修补弱卷积神经网络模型
机器学习
2023-08-01 v3 人工智能
摘要
尽管深度神经网络在许多应用中取得了巨大成功，但在实践中并不总是鲁棒的。例如，用于分类任务的卷积神经网络（CNN）模型在分类某些特定类别的物体时往往表现不佳。在这项工作中，我们关注于修补 CNN 模型的薄弱部分，而非通过代价高昂的整个模型重训练来改进它。受软件工程中模块化与组合基本概念的启发，我们提出了一种压缩模块化方法 CNNSplitter，该方法将一个用于 类分类的强 CNN 模型分解为 个较小的 CNN 模块。每个模块是一个包含强模型部分卷积核的子模型。为了修补在目标类（TC）上表现不佳的弱 CNN 模型，我们将该弱 CNN 模型与从强 CNN 模型获得的对应模块进行组合。从而可以通过修补提升弱 CNN 模型识别 TC 的能力。此外，识别非 TC 的能力也得到提升，因为被误分类为 TC 的样本可以被正确分类为非 TC。在三个广泛使用的数据集上采用两个代表性 CNN 的实验结果表明，TC 在精确率和召回率上的平均提升分别为 12.54% 和 2.14%。此外，修补使非 TC 的准确率提升了 1.18%。结果证明 CNNSplitter 可以通过模块化与组合修补弱 CNN 模型，从而为开发鲁棒 CNN 模型提供了一种新方案。
引用
@article{arxiv.2209.06116,
title = {Patching Weak Convolutional Neural Network Models through Modularization and Composition},
author = {Binhang Qi and Hailong Sun and Xiang Gao and Hongyu Zhang},
journal= {arXiv preprint arXiv:2209.06116},
year = {2023}
}
备注
Accepted at ASE'22