谷歌首席科學(xué)家提出要想讓半監(jiān)督學(xué)習(xí)實際上有用，要同時考慮低維數(shù)據(jù)和高維數(shù)據(jù)，并討論了谷歌最近的兩個研究。作者認為在實際環(huán)境中重新審視半監(jiān)督學(xué)習(xí)的價值是一個激動人心的時刻。

作為一個機器學(xué)習(xí)工程師，可能平時最常打交道的就是海量數(shù)據(jù)了。這些數(shù)據(jù)只有少部分是有標注的，可以用來進行監(jiān)督學(xué)習(xí)。但另外一大部分的數(shù)據(jù)是沒有標注過的。

那么接下來，我們就會順理成章的想到用這些已標注過的數(shù)據(jù)進行訓(xùn)練，再利用訓(xùn)練好的學(xué)習(xí)器找出未標注數(shù)據(jù)中，對性能改善最大的數(shù)據(jù)，讓機器自己的對未標注數(shù)據(jù)進行分析來提高泛化性能，

這種介于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間的方式，稱為半監(jiān)督學(xué)習(xí)。人類的學(xué)習(xí)方法是半監(jiān)督學(xué)習(xí)，我們能從大量的未標注數(shù)據(jù)和極少量的標注數(shù)據(jù)學(xué)習(xí)，迅速理解這個世界。

然而半監(jiān)督學(xué)習(xí)實踐中根本沒用？

人類的半監(jiān)督學(xué)習(xí)非常有效，那么我們自然的希望機器的半監(jiān)督學(xué)習(xí)也能達到類似的程度。但是從歷史上來看，半監(jiān)督學(xué)習(xí)的效果和我們想象的效果有很大差距。先來看一張圖：

上圖可以看出來，最開始的時候，半監(jiān)督學(xué)習(xí)訓(xùn)練確實有種提升監(jiān)督學(xué)習(xí)效果的趨勢，然而實際操作中，我們經(jīng)常陷入從“可怕又不可用”的狀態(tài)，到“不那么可怕但仍然完全不可用”。

如果你突然發(fā)現(xiàn)你的半監(jiān)督學(xué)習(xí)起效了，這意味著你的分類器單純的不行，單純的沒有實際用處。

而且面對大量的數(shù)據(jù)，半監(jiān)督學(xué)習(xí)方式通常不能實現(xiàn)和監(jiān)督學(xué)習(xí)中所實現(xiàn)的相同漸近性質(zhì)，未標注的數(shù)據(jù)可能會引入偏差。

舉個例子，在深度學(xué)習(xí)的早期階段，一種非常流行的半監(jiān)督學(xué)習(xí)方法是首先學(xué)習(xí)一個關(guān)于未標注數(shù)據(jù)的自動編碼器，然后對標注數(shù)據(jù)進行微調(diào)。

現(xiàn)在幾乎沒人這么做了。因為通過自動編碼學(xué)習(xí)的表示，傾向于在經(jīng)驗上限制微調(diào)的漸近性能。

而且，即使是已經(jīng)突飛猛進的現(xiàn)代生成方法，也沒有對此狀況有多大的改善?？赡芤驗樘嵘赡Ｐ托Ч脑?，并不能很有效的提升分類器的效果。

當你在今天看到機器學(xué)習(xí)工程師對模型進行微調(diào)時，基本都是從從監(jiān)督數(shù)據(jù)上學(xué)習(xí)的表示開始。而且文本是用于語言建模目的的自監(jiān)督數(shù)據(jù)。

最終我們得出一個結(jié)論：實際情況下，從其他預(yù)訓(xùn)練模型進行轉(zhuǎn)移學(xué)習(xí)是一個更穩(wěn)健的起點，在這方面半監(jiān)督方法難以超越。

所以，一位機器學(xué)習(xí)工程師在半監(jiān)督學(xué)習(xí)的沼澤中艱難前行的典型路徑如下：

一切都很糟糕，讓我們嘗試半監(jiān)督學(xué)習(xí)吧?。ó吘惯@是工程工作，比標注數(shù)據(jù)這種純體力活可有意思多了）

看，數(shù)字上去了！但是仍然很糟糕?？雌饋砦覀冞€是得去搞標注數(shù)據(jù)...

數(shù)據(jù)越多，效果越好。但是你有沒有嘗試過丟棄半監(jiān)督機器會發(fā)生什么？

嘿你知道嗎，它實際上更簡單更好。我們可以通過完全跳過2和3來節(jié)省時間和大量技術(shù)債

如果你走運的話，你的問題也可能具有這樣的性能特征：

巧了，在這種情況下，存在一種狹窄的數(shù)據(jù)體系。半監(jiān)督學(xué)習(xí)在其中不僅不糟糕，而且還實實在在的提高了數(shù)據(jù)效率。

但是根據(jù)過來人的經(jīng)驗來看，這個點很難找到?？紤]到額外復(fù)雜性的成本，標注數(shù)據(jù)量之間的鴻溝，通常不會帶來多大的效果，并且收益遞減，所以根本不值當浪費精力在這個上面，除非你想在這個領(lǐng)域競爭學(xué)術(shù)基準。

半監(jiān)督學(xué)習(xí)其實正在悄然的進化

說了這么多半監(jiān)督學(xué)習(xí)的弱項。其實本文真正想講的是在半監(jiān)督學(xué)習(xí)領(lǐng)域，一直在悄悄發(fā)生的進化。

一個引人入勝的趨勢是，半監(jiān)督學(xué)習(xí)的可能會變成看起來更像這樣的東西：

這將改變所有目前半監(jiān)督學(xué)習(xí)領(lǐng)域的難題。

這些曲線符合我們理想中的半監(jiān)督方法的情況：數(shù)據(jù)越多越好。半監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)之間的差距，也應(yīng)該是嚴格成正比的，即使是監(jiān)督學(xué)習(xí)表現(xiàn)的很好的領(lǐng)域，半監(jiān)督學(xué)習(xí)也應(yīng)該能表現(xiàn)的很好。

而且這種效果的提升伴隨著的是成本的穩(wěn)定，以及很少量的額外復(fù)雜性。圖中的“magic區(qū)域”從更低的地方開始，同樣重要的是，它不受高數(shù)據(jù)制度的束縛。

其他一些新的發(fā)展包括：有更好的方式進行自我標注數(shù)據(jù)，并以這樣的方式表達損失，即它們與噪聲和自我標注的潛在偏差兼容。

最近有兩篇論文講述了半監(jiān)督學(xué)習(xí)最近的進展。

MixMatch: A Holistic Approach to Semi-Supervised Learning

論文地址：

https://arxiv.org/abs/1905.02249

Mixmatch是本文中提出的新方法，它巧妙地結(jié)合了以前單獨使用的3種SSL范例。

一致性正則化：通過增加標記和未標記的數(shù)據(jù)輸入來引入

熵最小化:銳化函數(shù)減少了未標記數(shù)據(jù)的猜測標簽中的熵

傳統(tǒng)正則化： MixUp引入了數(shù)據(jù)點之間的線性關(guān)系

在每個batch中，每個標記的數(shù)據(jù)點被增強一次，并且每個未標記的數(shù)據(jù)點被增加K（超參數(shù)）時間。要求該模型預(yù)測所有K個增廣條目（L類的概率），并將它們的平均值作為所有K個條目的預(yù)測。

銳化該平均值以最小化熵并將其作為最終預(yù)測。將增強的標記和未標記的數(shù)據(jù)連接并混洗以獲得W.batch中的標記數(shù)據(jù)與第一個|X|“混合”。 W的條目得到X'，其中|X|是batch中標記數(shù)據(jù)的大小。batch中的未標記數(shù)據(jù)與W的其余條目“混合”以獲得U'。

MixMatch算法結(jié)合了不同的SSL范例，通過一個重要因素實現(xiàn)了比所有基線數(shù)據(jù)集上所有當前方法明顯更好的性能。它確保了差異隱私的更好的準確性和隱私的權(quán)衡，因為需要比其他方法更少的數(shù)據(jù)來實現(xiàn)類似的性能。

Unsupervised Data Augmentation

論文地址

https://arxiv.org/abs/1904.12848

本文的重點是從（主要是啟發(fā)式的，實用的）數(shù)據(jù)增強世界中為監(jiān)督學(xué)習(xí)提供進展，并將其應(yīng)用于無監(jiān)督設(shè)置，作為在半監(jiān)督環(huán)境中引入更好性能的一種方式（具有許多未標記點，以及很少標記的）。

論文中的無監(jiān)督數(shù)據(jù)增強（UDA）策略注意到兩件事：首先在監(jiān)督學(xué)習(xí)領(lǐng)域，在生成增強數(shù)據(jù)方面存在特定于數(shù)據(jù)集的創(chuàng)新，這對于給定數(shù)據(jù)集特別有用。語言建模，這方面的一個例子是把一個句子翻譯成另一種語言，并通過兩個訓(xùn)練有素的翻譯網(wǎng)絡(luò)再次返回，并使用得到的句子作為輸入。對于ImageNet，有一種稱為AutoAugment的方法，它使用驗證集上的強化學(xué)習(xí)來學(xué)習(xí)圖像操作的策略（比如旋轉(zhuǎn)，剪切，改變顏色），以提高驗證的準確性。

（2）在半監(jiān)督學(xué)習(xí)中，越來越傾向于使用一致性損失作為利用未標記數(shù)據(jù)的一種方式。一致性損失的基本思想是，即使不知道給定數(shù)據(jù)點的類，如果以某種很小的方式修改它，也可以確信模型的預(yù)測應(yīng)該在數(shù)據(jù)點與其擾動之間保持一致，即使你并不知道實際的ground truth是什么。通常，這樣的系統(tǒng)是在原始未標記圖像的基礎(chǔ)上使用簡單的高斯噪聲設(shè)計的。本文的關(guān)鍵提議是用更加簡化的擾動程序替代在監(jiān)督學(xué)習(xí)中迭代的增強方法，因為兩者的目標幾乎相同。

除了這個核心理念之外，UDA論文還提出了一個額外的聰明的訓(xùn)練策略：如果你有許多未標注的樣本和少量標注的樣本，你可能需要一個大型模型來捕獲未標注樣本中的信息，但這可能會導(dǎo)致過擬合。

為了避免這種情況，他們使用一種稱為“訓(xùn)練信號退火”的方法，在訓(xùn)練中的每個點，他們從損失計算中刪除模型特別有信心的任何樣本，比如真實類別的預(yù)測高于某個閾值等。

隨著培訓(xùn)的進行，網(wǎng)絡(luò)逐漸被允許看到更多的訓(xùn)練信號。在這種框架中，模型不能輕易過度擬合，因為一旦它開始在受監(jiān)督的例子上得到正確的答案，他們就會退出損失計算。

在實證結(jié)果方面，作者發(fā)現(xiàn)，在UDA中，他們能夠通過極少數(shù)標記的例子來改進許多半監(jiān)督基準。有一次，他們使用BERT模型作為基線，在其半監(jiān)督訓(xùn)練之前以無人監(jiān)督的方式進行微調(diào)，并表明他們的增強方法甚至可以在無人監(jiān)督的預(yù)訓(xùn)練值之上增加價值。

例如，在IMDb文本分類數(shù)據(jù)集中，僅有20個標注樣本，UDA優(yōu)于在25000個標注樣本上訓(xùn)練的最先進模型。

在標準的半監(jiān)督學(xué)習(xí)基準測試中，CIFAR-10具有4,000個樣本，SVHN具有1,000個樣本，UDA優(yōu)于所有先前的方法，并且降低了超過30％的最先進方法的錯誤率：從7.66％降至5.27％，以及從3.53％降至2.46％。

UDA也適用于具有大量標記數(shù)據(jù)的數(shù)據(jù)集。例如，在ImageNet上，使用130萬額外的未標記數(shù)據(jù)，與AutoAugment相比，UDA將前1/前5精度從78.28/94.36％提高到79.04/94.45％。

半監(jiān)督學(xué)習(xí)激動人心的未來

半監(jiān)督學(xué)習(xí)的另一個基礎(chǔ)轉(zhuǎn)變，是大家認識到它可能在機器學(xué)習(xí)隱私中扮演非常重要的角色，例如Private Aggregation of Teacher Ensemble（PATE）。PATE框架通過仔細協(xié)調(diào)幾種不同機器學(xué)習(xí)模型的行為來實現(xiàn)隱私學(xué)習(xí)。

用于提取知識的隱私敏感方法正在成為聯(lián)合學(xué)習(xí)（Federated Learning）的關(guān)鍵推動者之一，聯(lián)合學(xué)習(xí)提供了有效的分布式學(xué)習(xí)的方式，其不依賴于具有訪問用戶數(shù)據(jù)的模型，具有強大的數(shù)學(xué)隱私保證。

在實際環(huán)境中重新審視半監(jiān)督學(xué)習(xí)的價值有點激動人心，這些進步將會導(dǎo)致機器學(xué)習(xí)工具架構(gòu)有極大可能性發(fā)生根本轉(zhuǎn)變。