何愷明劉壯新作：消除數(shù)據(jù)集偏差的十年之戰(zhàn)
神經(jīng)網(wǎng)絡(luò)越來越強(qiáng)大，利用數(shù)據(jù)集偏差的能力也越來越厲害了
編輯部 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
MIT新晉副教授何愷明，新作新鮮出爐：
瞄準(zhǔn)一個橫亙在AI發(fā)展之路上十年之久的問題：數(shù)據(jù)集偏差。
該研究為何愷明在Meta期間與劉壯合作完成，他們在論文中指出：
盡管過去十多年里業(yè)界為構(gòu)建更大、更多樣化、更全面、偏差更小的數(shù)據(jù)集做了很多努力，但現(xiàn)代神經(jīng)網(wǎng)絡(luò)似乎越來越善于”識破”并利用這些數(shù)據(jù)集中潛藏的偏差。
這不禁讓人懷疑：我們在消除數(shù)據(jù)集偏差的戰(zhàn)斗中，真的取得了勝利嗎？
數(shù)據(jù)集偏差之戰(zhàn)，在2011年由知名學(xué)者Antonio Torralba和Alyosha Efros提出——
Alyosha Efros正是Sora兩位一作博士小哥（Tim Brooks和William Peebles）的博士導(dǎo)師，而Antonio Torralba也在本科期間指導(dǎo)過Peebles。
當(dāng)時(shí)他們發(fā)現(xiàn)，機(jī)器學(xué)習(xí)模型很容易“過擬合”到特定的數(shù)據(jù)集上，導(dǎo)致在其他數(shù)據(jù)集上表現(xiàn)不佳。
十多年過去了，盡管我們有了更大、更多樣化的數(shù)據(jù)集，如ImageNet、YFCC100M、CC12M等，但這個問題似乎并沒有得到根本解決。
反而，隨著神經(jīng)網(wǎng)絡(luò)變得越來越強(qiáng)大，它們“挖掘”和利用數(shù)據(jù)集偏差的能力也越來越強(qiáng)了！
為了分析這個問題，何愷明團(tuán)隊(duì)設(shè)計(jì)了一個虛構(gòu)的”數(shù)據(jù)集分類”任務(wù)。
聽名字你可能就猜到了：給定一張圖像，模型需要判斷它來自哪個數(shù)據(jù)集。通過看模型在這個任務(wù)上的表現(xiàn)，就可以了解它們捕捉數(shù)據(jù)集偏差的能力。
現(xiàn)代AI輕松識破不同數(shù)據(jù)集
在實(shí)驗(yàn)中團(tuán)隊(duì)發(fā)現(xiàn)，各種現(xiàn)代神經(jīng)網(wǎng)絡(luò)架構(gòu)，如AlexNet、VGG、ResNet、ViT等，在數(shù)據(jù)集分類任務(wù)上表現(xiàn)出驚人的一致性：它們幾乎都能以超過80%的準(zhǔn)確率區(qū)分不同數(shù)據(jù)集的圖像！
更令人吃驚的是，這個發(fā)現(xiàn)在各種不同的條件下都非常穩(wěn)?。?/p>
不管是不同的數(shù)據(jù)集組合、不同的模型架構(gòu)、不同的模型尺寸、不同的訓(xùn)練數(shù)據(jù)量，還是不同的數(shù)據(jù)增強(qiáng)方法，神經(jīng)網(wǎng)絡(luò)始終能輕松”一眼識破”圖像的數(shù)據(jù)集來源。
那么，神經(jīng)網(wǎng)絡(luò)是如何做到這一點(diǎn)的呢？是靠單純的記憶，還是學(xué)到了一些更普適的規(guī)律？
為了揭開謎底，團(tuán)隊(duì)做了一系列對比實(shí)驗(yàn)。他們發(fā)現(xiàn)，如果把不同的數(shù)據(jù)集隨機(jī)混在一起，神經(jīng)網(wǎng)絡(luò)就很難再區(qū)分它們了（準(zhǔn)確率下降到了33%）。這說明，神經(jīng)網(wǎng)絡(luò)并不是在單純地記憶每一張圖像，而是真的學(xué)到了一些數(shù)據(jù)集特有的模式。
更有趣的是，即使在自監(jiān)督學(xué)習(xí)的設(shè)置下，神經(jīng)網(wǎng)絡(luò)也展現(xiàn)出了驚人的”數(shù)據(jù)集辨識力”。在這種設(shè)置下，模型在訓(xùn)練時(shí)并沒有用到任何數(shù)據(jù)集的標(biāo)簽信息，但當(dāng)在這些自監(jiān)督學(xué)習(xí)到的特征上訓(xùn)練一個簡單的線性分類器時(shí)，它依然能以超過70%的準(zhǔn)確率區(qū)分不同的數(shù)據(jù)集！
通過這一系列的實(shí)驗(yàn)，何愷明、劉壯等人的研究給我們敲響了警鐘：盡管這十年我們一直在努力構(gòu)建更大、更多樣化的數(shù)據(jù)集，但數(shù)據(jù)集偏差這個問題似乎并沒有得到根本解決。相反，現(xiàn)代神經(jīng)網(wǎng)絡(luò)越來越善于利用這些偏差來獲得高準(zhǔn)確率，但這可能并不代表它們真正學(xué)到了魯棒、普適的視覺概念。
論文的最后，作者呼吁整個AI社區(qū)重新審視數(shù)據(jù)集偏差這個問題，并重新思考如何在算法和數(shù)據(jù)兩個層面上來應(yīng)對這一挑戰(zhàn)。
CVPR最佳論文作者的通力合作
本文是何愷明在Meta期間，與Meta研究科學(xué)家劉壯合作完成。
現(xiàn)在，何愷明已經(jīng)正式在MIT上崗，擔(dān)任電氣工程與計(jì)算機(jī)科學(xué)系的助理教授。他的“開學(xué)第一課”開課即火爆，在youtube上已經(jīng)有2.9萬的播放量。
和何愷明一樣，劉壯本科畢業(yè)自清華，并且也是CVPR最佳論文獎得主——他是CVPR2017最佳論文DenseNet的第一作者。
2017年，劉壯從清華姚班畢業(yè)，進(jìn)入加州大學(xué)伯克利分校攻讀博士學(xué)位，師從Trevor Darrell，是賈揚(yáng)清的同門師弟。
博士畢業(yè)后，劉壯進(jìn)入Meta AI Research工作。在此之前，他已經(jīng)在Meta實(shí)習(xí)了一年多時(shí)間，期間和謝賽寧合作，發(fā)表了ConvNeXt。
論文地址：
https://arxiv.org/abs/2403.08632
參考鏈接：
https://twitter.com/liuzhuang1234/status/1768096508082008289
— 完 —
相關(guān)閱讀
