電子發(fā)燒友App
混合學(xué)習(xí)
這種學(xué)習(xí)范式試圖去跨越監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)邊界。由于標簽數(shù)據(jù)的匱乏和收集有標注數(shù)據(jù)集的高昂成本，它經(jīng)常被用于商業(yè)環(huán)境中。從本質(zhì)上講，混合學(xué)習(xí)是這個問題的答案。
我們?nèi)绾尾拍苁褂帽O(jiān)督學(xué)習(xí)方法來解決或者鏈接無監(jiān)督學(xué)習(xí)問題？
例如這樣一個例子，半監(jiān)督學(xué)習(xí)在機器學(xué)習(xí)領(lǐng)域正日益流行，因為它能夠在很少標注數(shù)據(jù)的情況下對有監(jiān)督的問題表現(xiàn)得異常出色。例如，一個設(shè)計良好的半監(jiān)督生成對抗網(wǎng)絡(luò)（Generative antimarial Network）在MNIST數(shù)據(jù)集上僅使用25個訓(xùn)練樣本，就達到了90%以上的準確率。
半監(jiān)督學(xué)習(xí)學(xué)習(xí)專門為了那些有打大量無標注樣本和少量有標注樣本的數(shù)據(jù)集。傳統(tǒng)來說， 監(jiān)督學(xué)習(xí)是使用有標注的那一部分數(shù)據(jù)集，而無監(jiān)督學(xué)習(xí)則采用另外無標注的一部分數(shù)據(jù)集， 半監(jiān)督學(xué)習(xí)模型可以將有標注數(shù)據(jù)和從無標注數(shù)據(jù)集中提取的信息結(jié)合起來。
半監(jiān)督生成對抗網(wǎng)絡(luò)（簡稱SGAN）， 是標準的生成對抗網(wǎng)絡(luò)的一種改進。判別器不僅輸出0和1去判別是否為生成的圖像，而且輸出樣本的類別（多輸出學(xué)習(xí)）。
這是基于這樣的一個想法，通過判別器學(xué)習(xí)區(qū)分真實和生成的圖像， 能夠在沒有標簽的情況下學(xué)得具體的結(jié)構(gòu)。通過從少量的標記數(shù)據(jù)中進行額外的增強，半監(jiān)督模型可以在最少的監(jiān)督數(shù)據(jù)量下獲得最佳性能。
你可以在這兒閱讀更多關(guān)于SGAN和半監(jiān)督學(xué)習(xí)的信息。
GAN也涉及了其他的混合學(xué)習(xí)的領(lǐng)域——自監(jiān)督學(xué)習(xí)， 在自監(jiān)督學(xué)習(xí)中無監(jiān)督問題被明確地定義為有監(jiān)督的問題。GANs通過引入生成器來人工創(chuàng)建監(jiān)督數(shù)據(jù)；創(chuàng)建的標簽被用來來識別真實/生成的圖像。在無監(jiān)督的前提下，創(chuàng)建了一個有監(jiān)督的任務(wù)。
另外，考慮使用進行壓縮的編碼器-解碼器模型。在它們最簡單的形式中，它們是中間有少量節(jié)點的神經(jīng)網(wǎng)絡(luò)，用來表示某種bottleneck與壓縮形式，兩邊的兩個部分是編碼器和解碼器。
訓(xùn)練這個網(wǎng)絡(luò)生成與輸入向量相同的輸入（一個無監(jiān)督數(shù)據(jù)手工設(shè)計的有監(jiān)督任務(wù)）。由于中間有一個故意設(shè)計的bottleneck，因此網(wǎng)絡(luò)不能被動地傳輸信息。相反， 為了解碼器能夠更好的解碼， 它一定要找到最好的方式將輸入的信息保留至一個非常小的單元中。
訓(xùn)練之后， 編碼器與解碼器分離， 編碼器用在壓縮數(shù)據(jù)的接收端或編碼數(shù)據(jù)用來傳輸， 利用極少的數(shù)據(jù)格式來傳輸信息同時保證丟失最少的數(shù)據(jù)信息。 也可以用來降低數(shù)據(jù)的維度。
另一個例子是，考慮大量的文本集合（也許是來自數(shù)字平臺的評論）。通過某種聚類或流形學(xué)習(xí)方法，我們可以為文本集合生成聚類標簽，然后將其作為標簽處理（前提是聚類工作做得很好）。
在對每個聚類簇進行解釋后（例如，聚類A代表抱怨產(chǎn)品的評論，聚類B代表積極反饋等），然后可以使用BERT這樣的深層NLP架構(gòu)將新文本分類到這些聚類簇中，所有這些都是完全未標記的數(shù)據(jù)和最少的人工參與。
這又是一個將無監(jiān)督任務(wù)轉(zhuǎn)換為有監(jiān)督任務(wù)的有趣應(yīng)用程序。在一個絕大多數(shù)數(shù)據(jù)都是無監(jiān)督數(shù)據(jù)的時代，通過混合學(xué)習(xí)建立創(chuàng)造性的橋梁，跨越有監(jiān)督和無監(jiān)督學(xué)習(xí)之間的界限，具有巨大的價值和潛力。
成分學(xué)習(xí)
成分學(xué)習(xí)不僅使用一個模型的知識，而且使用多個模型的知識。人們相信，通過獨特的信息組合或投入（包括靜態(tài)和動態(tài)的），深度學(xué)習(xí)可以比單一的模型在理解和性能上不斷深入。
遷移學(xué)習(xí)是一個非常明顯的成分學(xué)習(xí)的例子， 基于這樣的一個想法， 在相似問題上預(yù)訓(xùn)練的模型權(quán)重可以用來在一個特定的問題上進行微調(diào)。構(gòu)建像Inception或者VGG-16這樣的預(yù)訓(xùn)練模型來區(qū)分不同類別的圖像。
如果我打算訓(xùn)練一個識別動物（例如貓和狗）的模型， 我不會從頭訓(xùn)練一個卷積神經(jīng)網(wǎng)絡(luò)，因為這樣會消耗太多的時間才能夠達到很好的結(jié)果。相反，我會采用一個像Inception的預(yù)訓(xùn)練模型，這個模型已經(jīng)存儲了圖像識別的基本信息， 然后在這個數(shù)據(jù)集（貓狗數(shù)據(jù)集）上訓(xùn)練額外的迭代次數(shù)即可。
類似地，在NLP神經(jīng)網(wǎng)絡(luò)中的詞嵌入模型，它根據(jù)單詞之間的關(guān)系將單詞映射到嵌入空間中更接近其他單詞的位置（例如，蘋果和句子的距離比蘋果和卡車的距離要?。?。像GloVe這樣的預(yù)訓(xùn)練embedding可以被放入神經(jīng)網(wǎng)絡(luò)中，從已經(jīng)有效地將單詞映射到數(shù)值的， 有意義的實體開始。
不那么明顯的是，競爭也能刺激知識增長。其一，生成性對抗性網(wǎng)絡(luò)借用了復(fù)合學(xué)習(xí)范式從根本上使兩個神經(jīng)網(wǎng)絡(luò)相互對立。生成器的目標是欺騙鑒別器，而鑒別器的目標是不被欺騙。
模型之間的競爭將被稱為“對抗性學(xué)習(xí)”，不要與另一種類型的對抗性學(xué)習(xí)相混淆，那是設(shè)計惡意輸入并發(fā)現(xiàn)模型中的弱決策邊界。
對抗性學(xué)習(xí)可以刺激模型，通常是不同類型的模型，其中模型的性能可以表示為與其他模型的性能相關(guān)。在對抗性學(xué)習(xí)領(lǐng)域還有很多研究要做，生成性對抗性網(wǎng)絡(luò)是對抗性學(xué)習(xí)的唯一突出創(chuàng)舉。
另一方面，競爭學(xué)習(xí)類似于對抗性學(xué)習(xí)，但是在逐節(jié)點規(guī)模上進行的：節(jié)點競爭對輸入數(shù)據(jù)子集的響應(yīng)權(quán)。競爭學(xué)習(xí)是在一個“競爭層”中實現(xiàn)的，在競爭層中，除了一些隨機分布的權(quán)值外，一組神經(jīng)元都是相同的。
將每個神經(jīng)元的權(quán)重向量與輸入向量進行比較，并激活相似度最高的神經(jīng)元也就是“贏家通吃”神經(jīng)元（輸出=1）。其他的被“停用”（輸出=0）。這種無監(jiān)督技術(shù)是自組織映射和特征發(fā)現(xiàn)的核心部分。
另一個成分學(xué)習(xí)的又去例子時神經(jīng)架構(gòu)搜索。簡單來說， 在強化學(xué)習(xí)環(huán)境中， 一個神經(jīng)網(wǎng)絡(luò)（通常時遞歸神經(jīng)網(wǎng)絡(luò)）學(xué)習(xí)生成對于這個數(shù)據(jù)集來說最好的網(wǎng)絡(luò)架構(gòu)——算法為你找到最好的架構(gòu)，你可以在這兒讀到更多的關(guān)于這個理論的知識，并且在這兒應(yīng)用python代碼實現(xiàn)。
集成的方法在成分學(xué)習(xí)中也時主要的， 深度集成的方法已經(jīng)展示出了其高效性。并且模型端到端的堆疊， 例如編碼器與解碼器已經(jīng)變得非常受歡迎。
許多成分學(xué)習(xí)都在尋找在不同模型之間建立聯(lián)系的獨特方法。它們都基于這個想法：
單一的模型甚至一個非常大的模型，通常也比幾個小模型/組件表現(xiàn)的差，這些小模型每一個都被分配專門處理任務(wù)中的一部分
例如， 考慮構(gòu)建餐廳聊天機器人的任務(wù)。
我們可以將這個機器人分割為三個分離的部分：寒暄/閑聊，信息檢索和行動機器人，并為每一部分專門設(shè)計一個模型?；蛘?，我們可以委托一個單一的模型來執(zhí)行這三個任務(wù)。
組合模型可以在占用較少空間的同時表現(xiàn)更好，這一點也不奇怪。此外，這些類型的非線性拓撲可以用Keras functional API等工具輕松構(gòu)建。
為了處理像視頻和三維數(shù)據(jù)等形式日益多樣化的數(shù)據(jù)類型，研究人員必須構(gòu)建創(chuàng)造性的組合模型。
在這里閱讀更多關(guān)于成分學(xué)習(xí)和未來的信息。
簡化學(xué)習(xí)
在深度學(xué)習(xí)領(lǐng)域， 特別是在NLP（深度學(xué)習(xí)領(lǐng)域研究最熱潮激動人心的領(lǐng)域）中，模型的規(guī)模正在不斷增長。最新的GPT-3模型有1750億個參數(shù)。把它和BERT比較就像把木星比作蚊子一樣（好吧，不是字面意思）。深度學(xué)習(xí)的未來會更大嗎？
按理來說，不會，GPT-3是非常有說服力的，但它在過去反復(fù)表明，“成功的科學(xué)”是對人類影響最大的科學(xué)。學(xué)術(shù)界總是離現(xiàn)實太遠，太過模糊。在19世紀末，由于可用數(shù)據(jù)太少，神經(jīng)網(wǎng)絡(luò)被遺忘了很短一段時間，所以這個想法，無論多么巧妙，都毫無用處。
GPT-3是另一種語言模型，它可以編寫令人信服的文本。它的應(yīng)用在哪里？是的，例如，它可以生成查詢的答案。然而，有更有效的方法來做到這一點（例如，遍歷一個知識圖譜并使用一個更小的模型，如BERT來輸出答案）。
在計算能力枯竭的情況下，GPT-3的巨大尺寸（更不用說更大的模型）是不可行的或不必要的。
“摩爾定律有點沒用了。” Satya Nadella，微軟首席執(zhí)行官
取而代之的是，我們正在走向一個人工智能嵌入式世界，智能冰箱可以自動訂購食品，而無人機可以自動導(dǎo)航整個城市。強大的機器學(xué)習(xí)方法應(yīng)該能夠下載到個人電腦、手機和小芯片上。
這就需要輕量級人工智能：在保持性能的同時使神經(jīng)網(wǎng)絡(luò)更小。
這直接或間接地表明，在深度學(xué)習(xí)研究中，幾乎所有的事情都與減少必要的參數(shù)量有關(guān)，這與提高泛化能力和性能密切相關(guān)。例如，卷積層的引入大大減少了神經(jīng)網(wǎng)絡(luò)處理圖像所需的參數(shù)數(shù)量。遞歸層融合了時間的思想，同時使用相同的權(quán)值，使得神經(jīng)網(wǎng)絡(luò)能夠更好地處理序列，并且參數(shù)更少。
嵌入層顯式地將實體映射到具有物理意義的數(shù)值，這樣就不會給附加參數(shù)增加負擔(dān)。在一種解釋中，Dropout層顯式地阻止參數(shù)對輸入的某些部分進行操作。L1/L2正則化通過確保所有參數(shù)都不會增長過大來確保網(wǎng)絡(luò)利用了所有參數(shù)，并且每個參數(shù)都能使其信息價值最大化。
隨著這種特殊專用層的創(chuàng)建，網(wǎng)絡(luò)對更復(fù)雜和更大的數(shù)據(jù)所需的參數(shù)越來越少。其他較新的方法顯式地尋求壓縮網(wǎng)絡(luò)。
神經(jīng)網(wǎng)絡(luò)修剪試圖去除那些對網(wǎng)絡(luò)輸出沒有價值的突觸和神經(jīng)元。通過修剪，網(wǎng)絡(luò)可以保持其性能，同時刪除幾乎所有的自身。
其他的方法像Patient Knowledge Distillation找到一些壓縮語言模型的方法， 使其可以下載到例如用戶的手機的格式。 對于谷歌神經(jīng)機器翻譯系統(tǒng)來說這是必要的考慮， 這個系統(tǒng)支持谷歌翻譯， 谷歌翻譯公司需要創(chuàng)建一個可以離線訪問的高性能翻譯服務(wù)。
本質(zhì)上，簡化學(xué)習(xí)集中在以部署為中心的設(shè)計上。這就是為什么大多數(shù)簡化學(xué)習(xí)的研究來自公司的研究部門。以部署為中心的設(shè)計的一個方面不是盲目地遵循數(shù)據(jù)集的性能指標，而是在部署模型時關(guān)注潛在的問題。
例如，前面提到的對抗輸入是設(shè)計用來欺騙網(wǎng)絡(luò)的惡意輸入。在標牌上噴漆或貼上標簽，會誘使自動駕駛汽車加速超過限速。負責(zé)任的簡化學(xué)習(xí)的不僅使模型足夠輕量級以供使用，而且確保它能夠適應(yīng)數(shù)據(jù)集中沒有出現(xiàn)過的角落情況。
在深度學(xué)習(xí)的研究中，簡化學(xué)習(xí)可能是最不受關(guān)注的，因為“我們通過一個可行的架構(gòu)尺寸實現(xiàn)了良好的性能” 并不像 “我們通過由數(shù)千千萬萬個參數(shù)組成的體系結(jié)構(gòu)實現(xiàn)了最先進的性能”一樣吸引人。
不可避免地，當(dāng)追求更高得分表現(xiàn)的宣傳消失時，正如創(chuàng)新的歷史所示，簡化學(xué)習(xí)—實際上是真正的實踐性學(xué)習(xí)—將得到更多應(yīng)有的關(guān)注。
?責(zé)任編輯人：CC
工商網(wǎng)監(jiān)
評論