Evaluando la Resiliencia de Modelos de Deep Learning

Abstract

Los modelos de Aprendizaje Profundo se han convertido en una valiosa herramienta para resolver problemas complejos en muchas áreas críticas. Es importante proveer confiabilidad en las salidas de la ejecución de estos modelos, aún si se producen fallos durante la ejecución. En este artículo presentamos la evaluación de la confiabilidad de tres modelos de aprendizaje profundo. Usamos un conjunto de datos de ImageNet y desarrollamos un inyector de fallos para realizar las pruebas. Los resultados muestran que entre los modelos hay una diferencia en la sensibilidad a los fallos. Además, hay modelos que a pesar del incremento en la tasa de fallos pueden mantener bajos los valores de error.

Convolutional neural network-based classification and monitoring models for lung cancer detection: 3D perspective approach

“…2D image classification enables the examination of each tomography independently, regardless of its sequential series. DL applications have proven to be invaluable in addressing complex problems, and ensuring the reliability of evaluation results is of paramount importance [45] . It is crucial to recognize that achieving high accuracy in the overall results is not enough.…”