Neuronale Netze sind nicht robust. Die Entwicklung zuverlässiger Prädiktoren erfordert systematische Methoden, um sowohl ihre Qualität zu bewerten als auch Vertrauen in ihre Korrektheit zu gewinnen. Hier kann Quantencomputing helfen.
31. Mai 2022
© iStock/elenaleonova
Neuronale Netze können bei einigen grundlegenden Bedingungen, wie z. B. Bildskalierung und Helligkeitsänderungen, unzuverlässig sein; darüber hinaus sind sie bei bereichsspezifischen Bedingungen, wie z. B. dem Anbringen von Aufklebern auf Verkehrsschildern, äußerst unzuverlässig. Um zuverlässig zu arbeiten, muss das Modell daher die Untersuchungsprobe unter verschiedenen Beleuchtungsumgebungen, Kamerawinkeln usw., die in der realen Welt vorkommen, korrekt klassifizieren.
© Goodfellow, Shlens and Szegedy 2014
Eine kleine verrauschte Schicht wird der Eingabeprobe hinzugefügt, um ein negatives Beispiel zu erzeugen, das die Klassifizierung des Netzes verfälscht. Ref: (Goodfellow, Shlens and Szegedy 2014)
