基于广义多项�混沌的图像分类模型灵敏度分析
机器学习
2026-02-04 v2 人工智能
摘要
将高级通信协议集成到生产环境中已加速了数据驱动预测质量方法的采用，尤其是机器学习 (ML) 模型。然而，图像分类中的 ML 模型常面临显著不确定性，源自模型、数据和域迁移。这些不确定性导致模型输出过于自信。为了更好地理解这些模型，灵敏度分析有助于分析输入参数对输出的相对影响。本 work 研究用于预测质量的图像分类模型的灵敏度。我们提出了将输入的分布式域迁移建模为随机变量，并通过通过广义多项式混沌 (GPC) 计算的 Sobol 指数来量化其对模型输出的影响。该方法通过涉及使用 fine-tuned ResNet18 模型和用于 BMW Group 生产设施的徽标分类模型的案例研究进行了验证。
引用
@article{arxiv.2506.18751,
title = {Sensitivity analysis of image classification models using generalized polynomial chaos},
author = {Lukas Bahr and Lucas Poßner and Konstantin Weise and Sophie Gröger and Rüdiger Daub},
journal= {arXiv preprint arXiv:2506.18751},
year = {2026}
}