CẢI TIẾN HIỆU QUẢ PHÂN LỚP BỆNH TRÊN LÁ VỚI ATTENTION-BASED SELECTIVE FORGETTING NETWORK

Abstract

Trong bối cảnh ứng dụng Trí tuệ nhân tạo vào nông nghiệp thông minh, dữ liệu hình ảnh bệnh lá cây thường gặp vấn đề nhiễu và sai lệch, ảnh hưởng tiêu cực đến hiệu năng và khả năng tổng quát hóa của các mô hình học sâu. Các phương pháp truyền thống thường xử lý bằng cách loại bỏ dữ liệu lỗi và huấn luyện lại từ đầu, gây tốn kém về thời gian và tài nguyên. Vì vậy, nghiên cứu này đề xuất một hệ thống có khả năng tự động phát hiện và “quên có chọn lọc” các mẫu dữ liệu nhiễu mà không cần tái huấn luyện toàn bộ mô hình. Hệ thống được xây dựng với ba khối chức năng chính. Đầu tiên, khối làm sạch dữ liệu sử dụng cơ chế đánh giá đa tiêu chí như vùng chú ý, ảnh hưởng hậu cảnh, sai số dự đoán và độ ổn định mô hình để phân loại dữ liệu thành sạch và nhiễu. Tiếp theo, khối quên có chọn lọc tiến hành tinh chỉnh mô hình dựa trên dữ liệu sạch, kết hợp Chưng cất tri thức và Chuyển giao sự chú ý nhằm loại bỏ ảnh hưởng của dữ liệu nhiễu trong khi vẫn duy trì hiệu năng. Cuối cùng, khối triển khai ứng dụng đưa mô hình vào thực tế, cho phép người dùng tương tác qua giao diện web và nhận kết quả dự đoán kèm thông tin trực quan về vùng bệnh. Thực nghiệm trên bộ dữ liệu PlantDoc với 27 lớp cho thấy phương pháp đạt độ chính xác khoảng 70% trên tập kiểm tra, có phần nhỉnh hơn so với huấn luyện lại từ đầu, đồng thời giảm đáng kể chi phí tính toán. Kết quả cho thấy hướng tiếp cận đề xuất phù hợp cho bài toán Machine Unlearning trong thực tế. Từ khóa: Machine Unlearning, Selective Forgetting, Attention Transfer, Phát hiện nhãn nhiễu, Phân lớp bệnh trên lá, Deep Learning. In the context of applying Artificial Intelligence to smart agriculture, leaf disease image data often suffer from noise and inconsistencies, which negatively affect the performance and generalization ability of deep learning models. Traditional approaches typically handle this issue by removing erroneous data and retraining the model from scratch, leading to significant costs in terms of time and computational resources. Therefore, this study proposes a system capable of automatically detecting and performing “Selective Forgetting” on noisy data samples without requiring full model retraining. The system is built with three main functional modules. First, the data cleaning module employs a multi-criteria evaluation mechanism such as attention regions, background influence, prediction error, and model stability to classify data into clean and noisy subsets. Next, the selective forgetting module fine-tunes the model based on the clean data, combining Knowledge Distillation and Attention Transfer to eliminate the influence of noisy data while maintaining model performance. Finally, the deployment module brings the model into practical use, allowing users to interact through a web interface and receive prediction results along with visual information about the affected regions. Experiments on the PlantDoc dataset with 27 classes show that the proposed method achieves approximately 70% accuracy on the test set, slightly outperforming retraining from scratch, while significantly reducing computational cost. The results indicate that the proposed approach is suitable for practical Machine Unlearning scenarios. Keywords: Machine Unlearning, Selective Forgetting, Attention Transfer, Noisy Label Detection, Leaf Disease Classification, Deep Learning.