Core Concepts
Probabilistische Modelle können Unsicherheitsschätzungen liefern, die für Anwendungen in der realen Welt von entscheidender Bedeutung sind. Diese Arbeit erforscht fortschrittliche probabilistische Modelle, um die Sicherheit von KI-Systemen durch zuverlässige Unsicherheitsschätzungen zu verbessern und gleichzeitig eine wettbewerbsfähige Leistung im Vergleich zu deterministischen Gegenparts zu erreichen.
Abstract
Diese Dissertation untersucht fortschrittliche probabilistische Modelle für verschiedene Aufgaben des semi-überwachten Lernens (SSL).
Zunächst wird eine Generative Bayessche Tiefe Lernarchitektur (GBDL) für die semi-überwachte medizinische Bildsegmentierung entwickelt. GBDL basiert auf einem vollständigen Bayesianischen Rahmenwerk und überwindet die Einschränkungen früherer Methoden, die nur auf einer begrenzten Menge an Trainingsdaten aufbauen und daher zu Überanpassung neigen.
Anschließend wird ein neuer probabilistischer Ansatz namens NP-Match für das großangelegte semi-überwachte Bildklassifizierung vorgestellt. NP-Match basiert auf Neuronalen Prozessen (NPs) und schätzt die Unsicherheit effizienter als auf Monte-Carlo-Dropout basierende Modelle.
Schließlich wird NP-SemiSeg entwickelt, ein neues probabilistisches Modell für die semi-überwachte semantische Segmentierung. NP-SemiSeg übertrifft MC-Dropout-basierte Modelle nicht nur in Bezug auf Genauigkeit, sondern auch in Bezug auf die Geschwindigkeit der Unsicherheitsschätzung.
Die vielversprechenden Ergebnisse in dieser Arbeit zeigen, dass die vorgeschlagenen probabilistischen Methoden das Potenzial haben, die Art und Weise, wie Unsicherheit für SSL geschätzt wird, zu revolutionieren und den Weg für zukünftige Entdeckungen hocheffizienter und effektiver probabilistischer Ansätze zu ebnen.
Stats
Keine relevanten Statistiken oder Kennzahlen extrahiert.
Quotes
Keine relevanten Zitate extrahiert.