Come può un campionamento intelligente rendere l'IA più affidabile?

Il compressive learning (CL) è una nuova frontiera dell'intelligenza artificiale: permette di far ragionare i modelli direttamente su dati compressi, risparmiando tempo e energia. Fino a poco tempo fa, le soluzioni CL dovevano ricostruire l'immagine originale per compensare le informazioni perse, ma questo passaggio è costoso e non sempre elimina l’incertezza.

Il progetto MCS‑TCL propone un approccio diverso. Grazie al Multi‑functional Compressive Sensing Sampling, il campionamento, la compressione e l'estrazione delle caratteristiche avvengono in un’unica operazione. In pratica, il sensore cattura un segnale già “pronto” per il modello, mantenendo le informazioni più utili per distinguere una classe dall’altra. Questo rende il sistema più veloce e meno dipendente da alti tassi di campionamento: con solo il 6 % dei dati originali, MCS‑TCL raggiunge risultati migliori rispetto ai metodi tradizionali.

Per rendere le previsioni più affidabili, gli autori hanno integrato l’evidential deep learning (EDL). L’EDL non si limita a dare una risposta, ma stima anche quanto il modello è sicuro della sua decisione, distinguendo previsioni ben supportate da quelle dubbie. Il risultato è un modello più piccolo (85,76 % in meno di parametri) che, oltre a essere preciso, fornisce una stima dell’incertezza, ideale per dispositivi con risorse limitate come droni o sensori IoT.

In sintesi, MCS‑TCL dimostra che è possibile combinare efficienza e affidabilità, aprendo la strada a intelligenze artificiali più leggere e consapevoli delle proprie limitazioni.

Il cuore di MCS‑TCL risiede nella sinergia tra compressive sensing (CS) e reti neurali convoluzionali (CNN). In CS, un segnale σ → ρ è acquisito mediante una matrice di misurazione Φ, tipicamente randomizzata, che riduce la dimensionalità mantenendo la proprietà di RIP (Restricted Isometry Property). MCS‑TCL estende questo concetto introducendo una matrice Χ progettata per essere ortogonale rispetto ai filtri convoluzionali della CNN, garantendo che le operazioni di campionamento e di estrazione delle feature siano matematicamente compatibili.

Durante l'addestramento, il modello ottimizza simultaneamente Χ e i pesi della CNN mediante back‑propagation, minimizzando una loss composita: L = L_{CE} + \lambda L_{EDL}. L_{CE} è la cross‑entropy standard, mentre L_{EDL} deriva dall'evidential deep learning, basato sulla distribuzione Dirichlet α che modella l'evidenza per ciascuna classe. La varianza della Dirichlet fornisce una misura di incertezza epistemica, utile quando i dati compressi sono insufficienti o ambigui.

Un aspetto cruciale è la capacità di MCS‑TCL di operare a tassi di campionamento estremamente bassi (6%). Grazie alla co‑progettazione di Χ e della CNN, le informazioni discriminanti sono concentrate nei coefficienti più energetici, riducendo la perdita di informazione critica. Inoltre, la riduzione del 85,76% dei parametri è ottenuta mediante pruning strutturale e quantizzazione a 8 bit, mantenendo la stabilità numerica grazie a batch‑normalization adattiva.

Le sperimentazioni su dataset come CIFAR‑10 e ImageNet hanno mostrato che MCS‑TCL supera i benchmark CL tradizionali sia in accuratezza (+3,2% a 6% di campionamento) sia in calibrazione dell'incertezza (ECE ridotto del 45%). Questi risultati suggeriscono che l'approccio è promettente per applicazioni edge, dove la latenza, il consumo energetico e la fiducia nelle decisioni sono fattori critici.