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(biāo)簽數(shù)據(jù)的匱乏和收集有標(biāo)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(gè)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(gè)例子，半監(jiān)督學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域正日益流行，因?yàn)樗軌蛟诤苌贅?biāo)注數(shù)據(jù)的情況下對(duì)有監(jiān)督的問題表現(xiàn)得異常出色。例如，一個(gè)設(shè)計(jì)良好的半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)（Generative antimarial Network）在MNIST數(shù)據(jù)集上僅使用25個(gè)訓(xùn)練樣本，就達(dá)到了90%以上的準(zhǔn)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(biāo)注樣本和少量有標(biāo)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(biāo)注的那一部分?jǐn)?shù)據(jù)集，而無監(jiān)督學(xué)習(xí)則采用另外無標(biāo)注的一部分?jǐn)?shù)據(jù)集， 半監(jiān)督學(xué)習(xí)模型可以將有標(biāo)注數(shù)據(jù)和從無標(biāo)注數(shù)據(jù)集中提取的信息結(jié)合起來。

半監(jiān)督生成對(duì)抗網(wǎng)絡(luò)（簡(jiǎn)稱SGAN）， 是標(biāo)準(zhǔn)的生成對(duì)抗網(wǎng)絡(luò)的一種改進(jìn)。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(gè)想法，通過判別器學(xué)習(xí)區(qū)分真實(shí)和生成的圖像， 能夠在沒有標(biāo)簽的情況下學(xué)得具體的結(jié)構(gòu)。通過從少量的標(biāo)記數(shù)據(jù)中進(jìn)行額外的增強(qiáng)，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(biāo)簽被用來來識(shí)別真實(shí)/生成的圖像。在無監(jiān)督的前提下，創(chuàng)建了一個(gè)有監(jiān)督的任務(wù)。

另外，考慮使用進(jìn)行壓縮的編碼器-解碼器模型。在它們最簡(jiǎn)單的形式中，它們是中間有少量節(jié)點(diǎn)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(gè)部分是編碼器和解碼器。

訓(xùn)練這個(gè)網(wǎng)絡(luò)生成與輸入向量相同的輸入（一個(gè)無監(jiān)督數(shù)據(jù)手工設(shè)計(jì)的有監(jiān)督任務(wù)）。由于中間有一個(gè)故意設(shè)計(jì)的bottleneck，因此網(wǎng)絡(luò)不能被動(dòng)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(gè)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(shí)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(gè)例子是，考慮大量的文本集合（也許是來自數(shù)字平臺(tái)的評(píng)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(biāo)簽，然后將其作為標(biāo)簽處理（前提是聚類工作做得很好）。

在對(duì)每個(gè)聚類簇進(jìn)行解釋后（例如，聚類A代表抱怨產(chǎn)品的評(píng)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(biāo)記的數(shù)據(jù)和最少的人工參與。

這又是一個(gè)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(gè)絕大多數(shù)數(shù)據(jù)都是無監(jiān)督數(shù)據(jù)的時(shí)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(jià)值和潛力。

成分學(xué)習(xí)

成分學(xué)習(xí)不僅使用一個(gè)模型的知識(shí)，而且使用多個(gè)模型的知識(shí)。人們相信，通過獨(dú)特的信息組合或投入（包括靜態(tài)和動(dòng)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(gè)非常明顯的成分學(xué)習(xí)的例子， 基于這樣的一個(gè)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(gè)特定的問題上進(jìn)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(gè)識(shí)別動(dòng)物（例如貓和狗）的模型， 我不會(huì)從頭訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，因?yàn)檫@樣會(huì)消耗太多的時(shí)間才能夠達(dá)到很好的結(jié)果。相反，我會(huì)采用一個(gè)像Inception的預(yù)訓(xùn)練模型，這個(gè)模型已經(jīng)存儲(chǔ)了圖像識(shí)別的基本信息， 然后在這個(gè)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?。Ｏ馟loVe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(shí)體開始。

不那么明顯的是，競(jìng)爭(zhēng)也能刺激知識(shí)增長(zhǎng)。其一，生成性對(duì)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(gè)神經(jīng)網(wǎng)絡(luò)相互對(duì)立。生成器的目標(biāo)是欺騙鑒別器，而鑒別器的目標(biāo)是不被欺騙。

模型之間的競(jìng)爭(zhēng)將被稱為“對(duì)抗性學(xué)習(xí)”，不要與另一種類型的對(duì)抗性學(xué)習(xí)相混淆，那是設(shè)計(jì)惡意輸入并發(fā)現(xiàn)模型中的弱決策邊界。

對(duì)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(duì)抗性學(xué)習(xí)領(lǐng)域還有很多研究要做，生成性對(duì)抗性網(wǎng)絡(luò)是對(duì)抗性學(xué)習(xí)的唯一突出創(chuàng)舉。

另一方面，競(jìng)爭(zhēng)學(xué)習(xí)類似于對(duì)抗性學(xué)習(xí)，但是在逐節(jié)點(diǎn)規(guī)模上進(jìn)行的：節(jié)點(diǎn)競(jìng)爭(zhēng)對(duì)輸入數(shù)據(jù)子集的響應(yīng)權(quán)。競(jìng)爭(zhēng)學(xué)習(xí)是在一個(gè)“競(jìng)爭(zhēng)層”中實(shí)現(xiàn)的，在競(jìng)爭(zhēng)層中，除了一些隨機(jī)分布的權(quán)值外，一組神經(jīng)元都是相同的。

將每個(gè)神經(jīng)元的權(quán)重向量與輸入向量進(jìn)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(gè)成分學(xué)習(xí)的又去例子時(shí)神經(jīng)架構(gòu)搜索。簡(jiǎn)單來說， 在強(qiáng)化學(xué)習(xí)環(huán)境中， 一個(gè)神經(jīng)網(wǎng)絡(luò)（通常時(shí)遞歸神經(jīng)網(wǎng)絡(luò)）學(xué)習(xí)生成對(duì)于這個(gè)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(gè)理論的知識(shí)，并且在這兒應(yīng)用python代碼實(shí)現(xiàn)。

集成的方法在成分學(xué)習(xí)中也時(shí)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(dú)特方法。它們都基于這個(gè)想法：

單一的模型甚至一個(gè)非常大的模型，通常也比幾個(gè)小模型/組件表現(xiàn)的差，這些小模型每一個(gè)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(jī)器人的任務(wù)。

我們可以將這個(gè)機(jī)器人分割為三個(gè)分離的部分：寒暄/閑聊，信息檢索和行動(dòng)機(jī)器人，并為每一部分專門設(shè)計(jì)一個(gè)模型?；蛘?，我們可以委托一個(gè)單一的模型來執(zhí)行這三個(gè)任務(wù)。

組合模型可以在占用較少空間的同時(shí)表現(xiàn)更好，這一點(diǎn)也不奇怪。此外，這些類型的非線性拓?fù)淇梢杂肒eras 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(jiǎn)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(dòng)人心的領(lǐng)域）中，模型的規(guī)模正在不斷增長(zhǎng)。最新的GPT-3模型有1750億個(gè)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(huì)更大嗎？

按理來說，不會(huì)，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(duì)人類影響最大的科學(xué)。學(xué)術(shù)界總是離現(xiàn)實(shí)太遠(yuǎn)，太過模糊。在19世紀(jì)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(shí)間，所以這個(gè)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(diǎn)（例如，遍歷一個(gè)知識(shí)圖譜并使用一個(gè)更小的模型，如BERT來輸出答案）。

在計(jì)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(diǎn)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(gè)人工智能嵌入式世界，智能冰箱可以自動(dòng)訂購(gòu)食品，而無人機(jī)可以自動(dòng)導(dǎo)航整個(gè)城市。強(qiáng)大的機(jī)器學(xué)習(xí)方法應(yīng)該能夠下載到個(gè)人電腦、手機(jī)和小芯片上。

這就需要輕量級(jí)人工智能：在保持性能的同時(shí)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(shí)間的思想，同時(shí)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(shí)體映射到具有物理意義的數(shù)值，這樣就不會(huì)給附加參數(shù)增加負(fù)擔(dān)。在一種解釋中，Dropout層顯式地阻止參數(shù)對(duì)輸入的某些部分進(jìn)行操作。L1/L2正則化通過確保所有參數(shù)都不會(huì)增長(zhǎng)過大來確保網(wǎng)絡(luò)利用了所有參數(shù)，并且每個(gè)參數(shù)都能使其信息價(jià)值最大化。

隨著這種特殊專用層的創(chuàng)建，網(wǎng)絡(luò)對(duì)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(duì)網(wǎng)絡(luò)輸出沒有價(jià)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(shí)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(jī)的格式。 對(duì)于谷歌神經(jīng)機(jī)器翻譯系統(tǒng)來說這是必要的考慮， 這個(gè)系統(tǒng)支持谷歌翻譯， 谷歌翻譯公司需要?jiǎng)?chuàng)建一個(gè)可以離線訪問的高性能翻譯服務(wù)。

本質(zhì)上，簡(jiǎn)化學(xué)習(xí)集中在以部署為中心的設(shè)計(jì)上。這就是為什么大多數(shù)簡(jiǎn)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(jì)的一個(gè)方面不是盲目地遵循數(shù)據(jù)集的性能指標(biāo)，而是在部署模型時(shí)關(guān)注潛在的問題。

例如，前面提到的對(duì)抗輸入是設(shè)計(jì)用來欺騙網(wǎng)絡(luò)的惡意輸入。在標(biāo)牌上噴漆或貼上標(biāo)簽，會(huì)誘使自動(dòng)駕駛汽車加速超過限速。負(fù)責(zé)任的簡(jiǎn)化學(xué)習(xí)的不僅使模型足夠輕量級(jí)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(jiǎn)化學(xué)習(xí)可能是最不受關(guān)注的，因?yàn)椤拔覀兺ㄟ^一個(gè)可行的架構(gòu)尺寸實(shí)現(xiàn)了良好的性能” 并不像 “我們通過由數(shù)千千萬萬個(gè)參數(shù)組成的體系結(jié)構(gòu)實(shí)現(xiàn)了最先進(jìn)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(shí)，正如創(chuàng)新的歷史所示，簡(jiǎn)化學(xué)習(xí)—實(shí)際上是真正的實(shí)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