深度图像合成神经网络预测不确定性的可视化分析
计算机视觉与模式识别
2024-06-28 v1 机器学习
摘要
深度神经网络(DNN)在不同人工智能系统中的广泛应用，导致其在近年来被采纳来解决各种图形可视化问题。尽管高度 sophisticated的DNN在一般化方面表现突出，但必须理解其预测质量、置信度、鲁棒性以及与不确定性相关的因素。对这些数量的 thorough 理解产生可操作的见解，帮助应用科学家做出明智的决策。不幸的是，DNN的内在设计原则无法产生预测不确定性， necessitating为各种可视化应用开发独立的鲁棒不确定性感知模型。为此，本贡献演示了如何使用各种方法有效地估计DNN的预测不确定性和灵敏度，然后交互式地对深度图像合成任务进行比较和对比。我们的检查表明，不确定性感知的深度可视化模型生成信息丰富且质量优良的插图，并具备多样性。此外，预测不确定性提高了深度可视化模型的鲁棒性和可解释性，使其在各种依赖可视化分析的科学领域实用便利。
引用
@article{arxiv.2406.18545,
title = {Visual Analysis of Prediction Uncertainty in Neural Networks for Deep Image Synthesis},
author = {Soumya Dutta and Faheem Nizar and Ahmad Amaan and Ayan Acharya},
journal= {arXiv preprint arXiv:2406.18545},
year = {2024}
}