이 연구에서는 컨포멀 예측과 모델 불확실성의 관계를 탐구하고, 이를 활용하여 딥러닝 모델의 온보드 교정 이탈 탐지 방법을 제안했다.
컨포멀 예측은 모델 출력에 대한 신뢰성을 보장하는 방법으로, 사용자 정의 오류율 내에서 정답 클래스를 포함하는 예측 집합을 제공한다. 이 연구에서는 컨포멀 예측 알고리즘이 모델의 불확실성과 관련이 있음을 보였다.
구체적으로, 불확실한 모델(ResNet50)은 노이즈가 증가함에 따라 예측 집합 크기가 증가하지만, 과신한 모델(InceptionV3, DenseNet161)은 예측 집합 크기 변화가 크지 않다. 이를 통해 예측 집합 크기 증가를 모델 교정 이탈 탐지에 활용할 수 있다.
실험 결과, ResNet50과 MobileNetV2는 노이즈에 따른 예측 집합 크기 증가가 관찰되어 교정 이탈 탐지에 적합한 것으로 나타났다. 반면 InceptionV3와 DenseNet161은 과신한 모델로 교정 이탈 탐지가 어려웠다. 이를 통해 온보드 처리를 위해서는 불확실성이 높은 모델을 선택해야 함을 알 수 있다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Protim Bhatt... at arxiv.org 05-07-2024
https://arxiv.org/pdf/2405.02634.pdfDeeper Inquiries