0
| 本文作者： 楊曉凡 | 2019-05-28 15:03 |
雷鋒網(wǎng) AI 科技評(píng)論按：對(duì)機(jī)器學(xué)習(xí)工程師們來(lái)說(shuō)，最經(jīng)常遇到的狀況之一就是能輕松收集到一大堆數(shù)據(jù)，但是卻只有非常有限的資源做數(shù)據(jù)標(biāo)注。每個(gè)遇到這種尷尬處境的人都只能冷靜下來(lái)，把他們的狀況總結(jié)成簡(jiǎn)潔明了的「有監(jiān)督數(shù)據(jù)不多，但未標(biāo)注數(shù)據(jù)有很多」，然后在查閱論文之后按圖索驥找到一類(lèi)看似可行的方案：半監(jiān)督學(xué)習(xí)（semi-supervised learning）。
然后接下來(lái)事情就開(kāi)始走樣了。
一直以來(lái)，半監(jiān)督學(xué)習(xí)都是機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)的一個(gè)大坑，每個(gè)嘗試想從里面撈到好處的工程師最終都只能對(duì)傳統(tǒng)的、老式的數(shù)據(jù)標(biāo)注增加更多的理解而已。不同的問(wèn)題里可能會(huì)有不同的表現(xiàn)，但是最終大同小異，我們來(lái)看下面這張圖：
當(dāng)標(biāo)注數(shù)據(jù)不多的時(shí)候，半監(jiān)督學(xué)習(xí)確實(shí)可以帶來(lái)一定的性能提升。但是實(shí)際使用的時(shí)候你就會(huì)發(fā)現(xiàn)，那些提升只能幫你把模型表現(xiàn)從「糟糕透了、不可接受」提高到「稍微好了那么一點(diǎn)、但還是沒(méi)辦法使用」而已。說(shuō)到底，如果你的標(biāo)注數(shù)據(jù)規(guī)模較小，以至于半監(jiān)督學(xué)習(xí)可以起到幫助的話，那同時(shí)也說(shuō)明你的分類(lèi)器表現(xiàn)仍然在一個(gè)很差的水平，沒(méi)法實(shí)際使用。
除此之外，半監(jiān)督學(xué)習(xí)也需要一些額外的資源代價(jià)，而且使用了半監(jiān)督學(xué)習(xí)的方法面對(duì)更多的標(biāo)注數(shù)據(jù)的時(shí)候，性能增長(zhǎng)曲線會(huì)比有監(jiān)督學(xué)習(xí)更平緩；原因之一是無(wú)標(biāo)注數(shù)據(jù)可能會(huì)帶來(lái)偏倚（見(jiàn) MITPress-%20SemiSupervised%20Learning.pdf 第四節(jié)）。在深度學(xué)習(xí)早期曾經(jīng)流行過(guò)一種半監(jiān)督學(xué)習(xí)做法，首先在未標(biāo)注數(shù)據(jù)上學(xué)習(xí)一個(gè)自動(dòng)編碼器，然后在有標(biāo)注數(shù)據(jù)上進(jìn)行微調(diào)（fine-tune）。現(xiàn)在已經(jīng)幾乎沒(méi)有人這么做了，因?yàn)榇蠹彝ㄟ^(guò)無(wú)數(shù)的實(shí)驗(yàn)發(fā)現(xiàn)，通過(guò)自動(dòng)編碼器學(xué)習(xí)到的表征會(huì)影響到精細(xì)調(diào)節(jié)階段增加的有標(biāo)注數(shù)據(jù)帶來(lái)的性能提升幅度，而且是起到限制作用。有趣的是，即便今天我們已經(jīng)大幅度改進(jìn)了生成式方法，這仍然沒(méi)能讓這個(gè)模式變得更好使；這很可能是因?yàn)椋龀鲆粋€(gè)好的生成式和模型和做出一個(gè)好的分類(lèi)器畢竟不是一回事。所以結(jié)果是，今天的工程師們做微調(diào)的時(shí)候，他們是在監(jiān)督學(xué)習(xí)的基礎(chǔ)上做微調(diào)的（即便對(duì)于語(yǔ)言模型也一樣，學(xué)習(xí)文本其實(shí)是一種自監(jiān)督學(xué)習(xí)過(guò)程） —— 從實(shí)用角度講，從其他有監(jiān)督預(yù)訓(xùn)練模型上做遷移學(xué)習(xí)的效果比從無(wú)監(jiān)督學(xué)習(xí)模型上做遷移的效果好太多了。
所以，一個(gè)一定要嘗試半監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)工程師很可能會(huì)走上這樣一條路徑：
因?yàn)閿?shù)據(jù)少，所以模型的表現(xiàn)糟透了。我們?cè)囋嚢氡O(jiān)督學(xué)習(xí)吧（畢竟這還有點(diǎn)技術(shù)含量，標(biāo)數(shù)據(jù)太枯燥了）；
你看，準(zhǔn)確率提升了吧！不過(guò)數(shù)字還是挺低的，看來(lái)我們還是得多標(biāo)一些數(shù)據(jù)
標(biāo)數(shù)據(jù)畢竟還是有用的，我多標(biāo)好幾倍數(shù)據(jù)以后半監(jiān)督學(xué)習(xí)模型的表現(xiàn)又提升了一些。不過(guò)我有點(diǎn)好奇，我都標(biāo)了這么多數(shù)據(jù)了，直接用監(jiān)督學(xué)習(xí)會(huì)怎么樣
實(shí)踐證明，有這么多數(shù)據(jù)以后，監(jiān)督學(xué)習(xí)還是更簡(jiǎn)單直接，效果也更好。那我們?yōu)樯恫灰婚_(kāi)始就多標(biāo)注點(diǎn)數(shù)據(jù)呢，花了那么多時(shí)間精力試了半監(jiān)督學(xué)習(xí)結(jié)果還是用不上……
如果你比較幸運(yùn)的話，你的問(wèn)題有可能會(huì)有這樣一條性能曲線：
在這種情況下，在某一個(gè)數(shù)據(jù)規(guī)模之內(nèi)半監(jiān)督學(xué)習(xí)的效果會(huì)好一些，確實(shí)提高了數(shù)據(jù)使用效率。但以我的經(jīng)驗(yàn)，首先很難達(dá)到這樣的狀況；其次，半監(jiān)督學(xué)習(xí)的提升總是不多的，學(xué)術(shù)論文里刷刷分還行，對(duì)實(shí)際應(yīng)用來(lái)說(shuō)影響很小，如果考慮到使用的方法的復(fù)雜性和多使用的計(jì)算資源的話，還是不如直接多標(biāo)點(diǎn)數(shù)據(jù)的投入產(chǎn)出比比較好。
不過(guò)別急，咱們這篇文章的標(biāo)題不是「悄悄來(lái)臨的半監(jiān)督學(xué)習(xí)革命」嗎？
如今有件事是微微讓人興奮的，那就是半監(jiān)督學(xué)習(xí)的性能提升曲線逐漸變成了這個(gè)樣子：
這就會(huì)產(chǎn)生真正的區(qū)別了。首先，這個(gè)曲線符合了所有人對(duì)于半監(jiān)督學(xué)習(xí)的期待：更多的數(shù)據(jù)就有更好的性能，而且對(duì)于同樣的有標(biāo)注數(shù)據(jù)，性能總是比監(jiān)督學(xué)習(xí)方法更好；即便是數(shù)據(jù)量足夠大、監(jiān)督學(xué)習(xí)已經(jīng)能夠發(fā)揮出好的效果的范圍內(nèi)，半監(jiān)督學(xué)習(xí)也仍然有提升。而且，為了達(dá)到這些提升所需要額外付出的計(jì)算復(fù)雜度和資源也已經(jīng)很小了。這個(gè)「魔法般的區(qū)域」的起始點(diǎn)更低，而且不受到數(shù)據(jù)規(guī)模限制。
所以發(fā)生了什么呢？很多方面都有了新的改進(jìn)，比如很多很聰明的方法為數(shù)據(jù)做自我標(biāo)注，以及新的表示損失的方法，讓損失和數(shù)據(jù)中的噪聲以及自我標(biāo)注可能帶來(lái)的偏倚之間相互協(xié)調(diào)。這兩篇論文是近期改進(jìn)的典型例子，而且也能引領(lǐng)你瀏覽更多相關(guān)的論文：
MixMatch: A Holistic Approach to Semi-Supervised Learning
MixMatch：一種半監(jiān)督學(xué)習(xí)的整體性方法
論文摘要：半監(jiān)督學(xué)習(xí)方法的提出是為了更好地利用未標(biāo)注的數(shù)據(jù)，減輕對(duì)于大規(guī)模標(biāo)注數(shù)據(jù)集的依賴(lài)；如今也證明了這是一種強(qiáng)有力的學(xué)習(xí)范式。在這篇論文中，作者們把當(dāng)前不同任務(wù)中的做法為半監(jiān)督學(xué)習(xí)做了統(tǒng)一，得到了一種新的算法，MixMatch，它的工作方式是通過(guò) MixUp 猜測(cè)數(shù)據(jù)擴(kuò)增方法產(chǎn)生的無(wú)標(biāo)簽樣本的低熵標(biāo)簽，并把無(wú)標(biāo)簽數(shù)據(jù)和有標(biāo)簽數(shù)據(jù)混合起來(lái)。作者們通過(guò)實(shí)驗(yàn)表明 MixMatch 在多種不同的數(shù)據(jù)集、多種不同的有標(biāo)簽數(shù)據(jù)規(guī)模中都能以很大幅度領(lǐng)先此前的所有方法。比如，在 CIFAR 數(shù)據(jù)集上、只有 250 個(gè)標(biāo)簽的情況下，作者們把錯(cuò)誤率降低到了之前方法的 1/4，在 STL-10 數(shù)據(jù)集上也降低到了之前方法的一半。作者們也展示了 MixMatch 可以在差分隱私的使用目的下，在準(zhǔn)確率和隱私保護(hù)之間取得好得多的平衡。最后，作者們進(jìn)行了對(duì)照實(shí)驗(yàn)，分析了 MixMatch 方法中的哪些組件最為關(guān)鍵。
Unsupervised Data Augmentation
無(wú)監(jiān)督數(shù)據(jù)擴(kuò)增
論文摘要：面對(duì)渴求大量數(shù)據(jù)的深度學(xué)習(xí)，數(shù)據(jù)擴(kuò)增方法可以緩和一部分需求，但數(shù)據(jù)擴(kuò)增方法往往只應(yīng)用在有監(jiān)督學(xué)習(xí)設(shè)定中，帶來(lái)的提升也較為有限。在這篇論文中，作者們提出了一種在半監(jiān)督學(xué)習(xí)設(shè)定中，把數(shù)據(jù)擴(kuò)增方法運(yùn)用在未標(biāo)注數(shù)據(jù)上的新方法。他們的方法，無(wú)監(jiān)督數(shù)據(jù)擴(kuò)增 UDA，會(huì)鼓勵(lì)模型面對(duì)未標(biāo)注數(shù)據(jù)和擴(kuò)增過(guò)的未標(biāo)注數(shù)據(jù)時(shí)產(chǎn)生一致的預(yù)測(cè)。與此前使用高斯噪聲和 dropout 噪聲的方法不同，UDA 有一些小的調(diào)整，它借助目前最先進(jìn)的數(shù)據(jù)擴(kuò)增方法產(chǎn)生了難度更高、更真實(shí)的噪聲。這些小調(diào)整讓 UDA 在六種語(yǔ)言任務(wù)、三種視覺(jué)任務(wù)中都帶來(lái)了顯著的表現(xiàn)提升，即便使用到的有標(biāo)注數(shù)據(jù)集非常小。比如，在 IMDb 數(shù)據(jù)集的分類(lèi)測(cè)試中，UDA 只使用 20 個(gè)標(biāo)簽就得到了比此前最好的方法在 25,000 個(gè)有標(biāo)簽數(shù)據(jù)上訓(xùn)練更好的結(jié)果。在標(biāo)準(zhǔn)的半監(jiān)督學(xué)習(xí)測(cè)試（CIFAR-10，4000 個(gè)標(biāo)簽；以及 SVHN，1000 個(gè)標(biāo)簽）中，UDA 擊敗了此前所有的方法，而且把錯(cuò)誤率降低了至少 30%。UDA 在大規(guī)模數(shù)據(jù)集上也有好的表現(xiàn)，比如在 ImageNet 上，只需要額外增加 130 萬(wàn)張無(wú)標(biāo)簽圖像，相比此前的方法，UDA 也可以繼續(xù)提升首位和前五位命中率。
在半監(jiān)督學(xué)習(xí)的整個(gè)世界得到革新之后，大家也開(kāi)始意識(shí)到半監(jiān)督學(xué)習(xí)可能在機(jī)器學(xué)習(xí)的隱私問(wèn)題方面可能能夠大有作為。比如使用在 PATE 中（有監(jiān)督數(shù)據(jù)是需要保護(hù)的隱私數(shù)據(jù)，帶有強(qiáng)隱私保護(hù)能力的學(xué)生模型只能通過(guò)無(wú)標(biāo)簽數(shù)據(jù)訓(xùn)練）。有能力保護(hù)隱私的知識(shí)蒸餾方法也是聯(lián)邦學(xué)習(xí)的關(guān)鍵組成部分之一，而聯(lián)邦學(xué)習(xí)的效果就是高效的分布式學(xué)習(xí)，它不需要模型接觸全部的用戶數(shù)據(jù)，而且?guī)в袛?shù)學(xué)上強(qiáng)有力的隱私保護(hù)。（了解更多可以參見(jiàn)雷鋒網(wǎng) AI 科技評(píng)論此前關(guān)于 差分隱私保護(hù) PATE 以及 聯(lián)邦學(xué)習(xí) 的文章）
如今，在真實(shí)使用場(chǎng)景中考慮半監(jiān)督學(xué)習(xí)已經(jīng)重新成為了一件很有價(jià)值的事情。以前的研究者們對(duì)半監(jiān)督學(xué)習(xí)的不屑態(tài)度如今要受到挑戰(zhàn)，這也說(shuō)明了這個(gè)領(lǐng)域內(nèi)技術(shù)水平發(fā)展之快。這些趨勢(shì)出現(xiàn)確實(shí)還沒(méi)有多久，我們也還需要觀察這些方法能夠經(jīng)得住時(shí)間的考驗(yàn)。但是，如果常用的機(jī)器學(xué)習(xí)工具和范式能從這些新進(jìn)展中獲得大的進(jìn)步的話，這無(wú)疑是十分誘人的。
via towardsdatascience.com，雷鋒網(wǎng) AI 科技評(píng)論編譯
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
