English(EN) Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation

深度学习训练变异性可提高神经影像学可靠性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-03 04:00

一篇新的研究论文探讨了深度学习模型训练中固有的数值不确定性，特别是在神经影像学领域。研究人员发现，FastSurfer分割模型表现出显著的数值不确定性，超过了其非深度学习的对应模型。这种受随机种子影响的变异性可以作为一种数据增强技术，以改进下游任务，如大脑年龄回归。 AI

影响这项研究表明，深度学习训练中的数值不确定性，以前被视为一个缺点，可以被利用来提高神经影像学模型的可靠性和性能。

排序理由该集群包含一篇详细介绍新研究发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · In\'es Gonzalez-Pepe, Vinuyan Sivakolunthu, Yohan Chatelain, Tristan Glatard · 2026-07-03 04:00

Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation

arXiv:2509.05238v2 Announce Type: replace-cross Abstract: Deep learning (DL) has transformed neuroimaging by delivering state-of-the-art performance with reduced computation times. Yet, the numerical uncertainty inherent to DL training remains largely underexplored despite its po…