티스토리 뷰
심층 신경망은 예측을 생성하기 위해 훈련 데이터의 복잡하게 상호 연결된 계층 적 표현에 의존하므로 이러한 예측을 해석하는 것이 매우 어려워집니다. 이것이 심층 신경망의 "블랙박스"문제입니다. 매우 정확한 예측을 생성할 수 있지만 이해할 수 없는 기능을 기반으로 예측을 어떻게 신뢰할 수 있습니까? 상당한 노력 DARPA가 전체 프로그램 "실행을 포함하여이 문제를 해결하는 새로운 방법 개발로 전환 Explain 가능한 AI " 47 이 문제에 전념을 하고, 연구의 많은 해석 능력 향상에 가는 새로운 방법을 찾는 감도 측정 및 특징 시각화 신뢰도를 높이는 또 다른 방법은 예측 외에도 강력한 불확실성 추정치를 생성하는 것입니다. 베이지안 딥 러닝 분야는 불확실성에 대한 딥 러닝과 베이지안 접근 방식을 결합하는 것을 목표 로합니다. 아이디어는 90 년대 초반으로 거슬러 올라갑니다. 이 분야는 최근 최첨단 딥 러닝에서 불확실성 추정치를 계산하는 새로운 방법으로 머신 러닝 커뮤니티 전체의 새로운 관심을 보였습니다. 모델이 개발되었습니다. 불확실성 측정으로 기능하는 귀중한 측정을 생성하는 것 외에도 이러한 기술은 또한 적대적 공격에 대한 심층 신경망의 취약성을 줄일 수 있습니다. 워크 플로우 통합, 규정 딥 러닝 방법을 성공적으로 통합하기 위한 또 다른 걸림돌은 워크 플로 통합입니다. 실제 임상의에게는 실질적으로 쓸모가 없는 것으로 밝혀진 임상용 기계 학습 시스템을 개발하는 것이 가능합니다. 이미 확립된 절차를 보강하려면 전체 워크 플로우에 대한 지식이 필요합니다. 최종 사용자가 시스템을 만들고 평가하는 과정에 참여하면이 문제를 덜 수 있고 시스템에 대한 최종 사용자의 신뢰도를 높일 수 있습니다. 48 개발 프로세스 중에 피드백 루프를 설정할 수 있습니다. 그러나 여전히 "1 층"에 대한 관심이 있고 임상의의 손에 프로토 타입 시스템을 제공할 수 있다고 하더라도 극복해야 할 규제, 윤리 및 법적 장애물을 설득해야 할 상급자가 많이 있습니다. 관점과 미래의 기대 의료 데이터 분석의 딥 러닝은 여기에 있습니다. 임상 환경에서 딥 러닝 도입과 관련된 많은 어려움이 있지만, 이 방법은 너무 가치 있는 결과를 생성하여 폐기할 수 없습니다. 이것은 의료 영상에서 딥 러닝을 다루는 주요 저널에 실린 엄청난 양의 영향력 있는 출판물에 의해 설명됩니다. 모두 2018 년에 게시됨. 기계 학습 연구자와 실무자가 더 많은 경험을 쌓을수록 가장 합리적인 설루션 접근 방식에 따라 문제를 분류하는 것이 더 쉬워질 것입니다. (i) 딥 러닝 기술을 사용하여 가장 잘 접근하고, (ii) 조합을 통해 가장 잘 다룰 수 있습니다. 다른 기술을 사용한 딥 러닝 또는 (iii) 딥 러닝 구성 요소가 전혀 없습니다. 의료 영상에 머신 러닝을 적용하는 것 외에도 의료계의 관심이 의학 연구자와 실무자 사이의 일반적인 컴퓨팅 사고방식을 강화하여 컴퓨터 의학 분야를 주류로 삼을 수 있다고 믿습니다. 49 수학, 컴퓨터 과학, 물리학 및 공학을 기반으로 한 충분한 고 충격 소프트웨어 시스템이 클리닉의 일상적인 작업 흐름에 들어가면 다른 시스템에 대한 수용이 증가할 것입니다. 질병이나 라이프 스타일을 모니터링하기 위한 웨어러블 장치의 바이오 센서 및 (에지) 컴퓨팅에 대한 액세스와 기계 학습 및 기타 컴퓨터 의학 기반 기술의 생태계는 새로운 의료 패러다임이다 P는 redictive, P는 reventive, p는 ersonalized 및 P는 articipatory을 - P4 의학. 유용한 토론에 대해 Renate Grner에게 감사드립니다. 익명의 리뷰어는 우리에게 훌륭한 건설적인 피드백을 제공하여 기사 전반에 걸쳐 몇 가지 개선을 가져왔습니다. 우리의 작업은 전산 의료 영상 및 기계 학습 방법 , 인프라 및 애플리케이션 프로젝트를 통해 Bergen Research Foundation에서 재정적으로 지원했습니다. 'mip_era.activity_id.institution_id.source_id.experiment_id.member_id.table_id.variable_id.grid_label.version'으로 정의된 데이터 참조 구문에 따라 'CMIP6.CMIP.MRI.MRI-ESM2-0'에 대해 게시된 모든 데이터 세트가 포함됩니다. 2017 년에 출시된 MRI-ESM2.0이라는 기후 연구에 사용된 모델에는 다음과 같은 구성 요소가 포함됩니다. 시뮬레이션 데이터는 기초 과학 질문에 답하기 위해 설계된 기후 연구의 기초를 제공하며, 결과는 의심할 여지없이 기후 변화에 관한 정부 간 패널 (IPCC-AR6)의 6 차 평가 보고서의 저자에 의해 신뢰할 수 있습니다. CMIP6는 WCRP (World Climate Research Program)의 일환으로 WGCM (Working Group on Coupled Modeling)에 의해 조정된 프로젝트입니다. 6 단계는 PCMDI (Program for Climate Model Diagnosis and Intercomparison)의 주도하에 실행된 이전 단계를 기반으로 하며 ESGF (Earth System Grid Federation) 및 CEDA (환경 데이터 분석 센터)와 함께 구현을 위한 수많은 관련 활동에 의존합니다. 원본 데이터는 연합된 데이터 노드 모음에서 호스팅 되고 부분적으로 복제되며, IPCC가 의존하는 대부분의 데이터는 World Data Center에서 호스팅 하는 IPCC DDC (IPCC Data Distribution Center)에서 장기 보존을 위해 보관됩니다.