不可确定却有用：将 CNN 可变性转化为数据增强
数值分析
2025-09-08 v1 人工智能
数值分析
摘要
深度学习 (DL) 正在通过实现更少的计算时间来在神经影像学中取得突破性进展。然而，深度学习模型的数值稳定性——特别是在训练期间——仍未得到充分探索。虽然 DL 的推断相对稳定，但训练引入的额外变数主要通过迭代随机优化实现。在本研究中，我们使用基于 CNN 的全脑分割管道 FastSurfer 来探讨这种训练时变数。通过引入浮点扰动和随机种子来进行受控扰动。我们发现：(i) FastSurfer 的变数高于传统神经影像学管道的变数，表明深度学习继承并放大了其前任工具中存在的易受不稳定性影响的来源；(ii) 采用扰动生成的集成实现了与未受扰动基线相当的性能；(iii) 变数有效地产生了一系列数值模型家族，可用于下游应用。以此为例，我们演示了数值集成可作为脑年龄回归的数据增强策略。这些发现将训练时变数不仅定位为可重复性问题，更视为一种可被利用的资源，以提高鲁棒性并启用神经影像学中的新应用。
引用
@article{arxiv.2509.05238,
title = {Uncertain but Useful: Leveraging CNN Variability into Data Augmentation},
author = {Inés Gonzalez-Pepe and Vinuyan Sivakolunthu and Yohan Chatelain and Tristan Glatard},
journal= {arXiv preprint arXiv:2509.05238},
year = {2025}
}