Mejora de la incertidumbre al usar datos fuera de la distribución (OOD) en un modelo semi-supervisado de aprendizaje profundo

Abstract

El presente proyecto de investigación tiene como finalidad hacer una comparación entre la distancia de Mahalanobis y la densidad de características (Feature Density) como métodos estimadores de incertidumbre, aplicado a tareas de clasificación binaria, utilizando imágenes de Rayos X (mamografías); por medio de arquitecturas de redes convolucionales y técnicas de aprendizaje supervisado y semi-supervisado. El fin de los estimadores de incertidumbre es evaluar qué tan confiables son las predicciones de los modelos de Machine Learning en tareas de clasificación, partiendo del entrenamiento supervisado provisto y su respectivo proceso de va lidación. Según los resultados experimentales obtenidos en las diferentes etapas de la investigación no se encontró una diferencia estadísticamente significativa entre los métodos de estimación de incertidumbre comparados, pero esto no significa que el método de Feature Density se deba descartar como método estimador de incertidumbre; como todo en el ámbito de Machine Learning, es necesario realizar más experimentos con diferentes arquitecturas y configuraciones de las mismas, para obtener una variedad de resultados y decir con certeza cuál método estimador es mejor.