Toward Reliable Deep Neural Networks: Disentangling Modeling and Evaluation Artifacts in Image Recognition
- Promovendus/a
- Anzaku, Esla Timothy
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Elektronica en Informatiesystemen
- Curriculum
- Master of Science in Information and Communications Engineering, Korea Advanced Institute of Science and Technology (Zuid-Korea), 2010
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Naar betrouwbare diepe neurale netwerken: een ontrafeling van modelleer- en evaluatieartefacten in beeldherkenning
- Promotor(en)
- prof. Wesley De Neve, vakgroep Elektronica en Informatiesystemen & Department of Environmental Technology, Food Technology and Molecular Biotechnology - prof. Arnout Van Messem, Université de Liège
- Examencommissie
- voorzitter prof. Filip De Turck (academisch secretaris) - prof. Byungkon Kang, The State University of New York Korea (Zuid-Korea) - prof. Yong Man Ro, Korea Advanced Institute of Science and Technology (Zuid-Korea) - prof. Sofie Van Hoecke, vakgroep Elektronica en Informatiesystemen - prof. Willem Waegeman, vakgroep Data-analyse en wiskundige modellering - prof. Christian Wallraven, Korea University Pure (Zuid-Korea) - promotor prof. Wesley De Neve, vakgroep Elektronica en Informatiesystemen & Department of Environmental Technology, Food Technology and Molecular Biotechnology - promotor prof. Arnout Van Messem, Université de Liège
Korte beschrijving
Diepe neurale netwerken worden steeds vaker ingezet in toepassingen die gebruikmaken van computervisie. Ondanks hun sterke prestaties blijven er belangrijke vragen bestaan over hun betrouwbaarheid. Een centrale uitdaging is dat gangbare evaluatiemethoden niet altijd een accuraat beeld geven van het gedrag van deze modellen in de praktijk. Dit doctoraatsonderzoek adresseert dit probleem door een meer genuanceerd inzicht te ontwikkelen in de werking van diepe neurale netwerken voor beeldherkenning. Daarbij focussen we op een veelvoorkomend fenomeen waarbij de modelnauwkeurigheid aanzienlijk afneemt wanneer modellen worden getest op nieuwe, maar gelijkaardige datasets. Voor dit fenomeen bestaat geen afdoende verklaring en het wordt vaak geïnterpreteerd als een fundamentele zwakte van deze modellen. Door de introductie van nieuwe datasets, probleemformuleringen en evaluatiemethodologieën tonen we aan dat gangbare conclusies over dalingen in modelnauwkeurigheid misleidend kunnen zijn. In het bijzonder blijkt dat de waargenomen prestatiedaling bij beeldclassificatie vaak voortkomt uit beperkingen van de evaluatie, eerder dan uit intrinsieke tekortkomingen van de modellen zelf. In veiligheidskritische toepassingen, zoals de detectie van trypanosoomparasieten in beelden verkregen via microscopie, kunnen zelfs zorgvuldig geselecteerde metrieken tekortschieten wanneer testdatasets evolueren. Deze studie reikt verbeterde methoden aan om modelgedrag te evalueren en draagt zo bij aan beter onderbouwde modelkeuzes en een scherpere afbakening van relevante betrouwbaarheidsuitdagingen.
Praktisch
- Datum
- Dinsdag 1 september 2026, 10:00
- Locatie
- Zaal Gh 104, Ghent University Global Campus Building, Ghent University Global Campus, Songdomunhwa-ro, Yeonsu-gu 119-5 , 21985 Incheon, Republic of Korea
- Livestream
- Volg online
Startuur België / Zuid-Korea: om 10:00 uur CEST (UTC+2) / om 17:00 uur KST (UTC+9)
Meer info
- Contact
- doctoraat.ea@ugent.be