一文讀懂自監(jiān)督學習

來源丨Smarter 

導讀：最近 self-supervised learning 變得非?；?，首先是 kaiming 的 MoCo 引發(fā)一波熱議，然后最近 Yann 在 AAAI 上講 self-supervised learning 是未來。所以覺得有必要了解一下 SSL，也看了一些 paper 和 blog，最后決定寫這篇文章作為一個總結(jié)。

首先介紹一下到底什么是 SSL，我們知道一般機器學習分為監(jiān)督學習，非監(jiān)督學習和強化學習。而 self-supervised learning 是無監(jiān)督學習里面的一種，主要是希望能夠?qū)W習到一種通用的特征表達用于下游任務。其主要的方式就是通過自己監(jiān)督自己，比如把一段話里面的幾個單詞去掉，用他的上下文去預測缺失的單詞，或者將圖片的一些部分去掉，依賴其周圍的信息去預測缺失的 patch。

根據(jù)我看的文章，現(xiàn)在 self-supervised learning 主要分為兩大類：1. Generative Methods；2. Contrastive Methods。下面我們分別簡要介紹一下這這兩種方法。

首先我們介紹一下 generative methods。這類方法主要關注 pixel space 的重建誤差，大多以 pixel label 的 loss 為主。主要是以 AutoEncoder 為代表，以及后面的變形，比如 VAE 等等。對編碼器的基本要求就是盡可能保留原始數(shù)據(jù)的重要信息，所以如果能通過 decoder 解碼回原始圖片，則說明 latent code 重建的足夠好了。

這種直接在 pixel level 上計算 loss 是一種很直觀的做法，除了這種直接的做法外，還有生成對抗網(wǎng)絡的方法，通過判別網(wǎng)絡來算 loss。

對于 generative methods，有一些問題，比如：

1. 基于 pixel 進行重建計算開銷非常大；

2. 要求模型逐像素重建過于苛刻，而用 GAN 的方式構(gòu)建一個判別器又會讓任務復雜和難以優(yōu)化。

從這個 blog 中我看到一個很好的例子來形容這種 generative methods。對于一張人民幣，我們能夠很輕易地分辨其真假，說明我們對其已經(jīng)提取了一個很好的特征表達，這個特征表達足夠去刻畫人民幣的信息， 但是如果你要我畫一張一模一樣的人民幣的圖片，我肯定沒法畫出來。通過這個例子可以明顯看出，要提取一個好的特征表達的充分條件是能夠重建，但是并不是必要條件，所以有了下面這一類方法。

除了上面這類方法外，還有一類方法是基于 contrastive 的方法。這類方法并不要求模型能夠重建原始輸入，而是希望模型能夠在特征空間上對不同的輸入進行分辨，就像上面美元的例子。

這類方法有如下的特點：1. 在 feature space 上構(gòu)建距離度量；2. 通過特征不變性，可以得到多種預測結(jié)果；3. 使用 Siamese Network；4. 不需要 pixel-level 重建。正因為這類方法不用在 pixel-level 上進行重建，所以優(yōu)化變得更加容易。當然這類方法也不是沒有缺點，因為數(shù)據(jù)中并沒有標簽，所以主要的問題就是怎么取構(gòu)造正樣本和負樣本。

目前基于 contrastive 的方法已經(jīng)取得了很好的緊張，在分類任上已經(jīng)接近監(jiān)督學習的效果，同時在一些檢測、分割的下游任務上甚至超越了監(jiān)督學習作為 pre-train的方法。

下面是這兩類方法的總結(jié)圖片。

上面我們講了什么是 self-supervised learning，那么為什么我們需要自監(jiān)督學習呢，以及它能夠給我們帶來哪些幫助？

在目前深度學習發(fā)展的情況下，對于監(jiān)督學習，我們希望使用更少的標注樣本就能夠訓練一個泛化能力很好的模型，因為數(shù)據(jù)很容易獲取，但是標注成本卻是非常昂貴的。而在強化學習中，需要大量的經(jīng)驗對 agent 進行訓練，如果能搞減少 agent 的嘗試次數(shù)，也能夠加速訓練。除此之外，如果拿到一個好的特征表達，那么也有利于做下游任務的 fintuen和 multi-task 的訓練。

最后我們總結(jié)一下監(jiān)督學習和自監(jiān)督學習的特點，其中 supervised learning 的特點如下：

1. 對于每一張圖片，機器預測一個 category 或者是 bounding box

2. 訓練數(shù)據(jù)都是人所標注的

3. 每個樣本只能提供非常少的信息(比如 1024 個 categories 只有 10 bits 的信息)

于此對比的是，self-supervised learning 的特點如下：

1. 對于一張圖片，機器可以預任何的部分

2. 對于視頻，可以預測未來的幀

3. 每個樣本可以提供很多的信息

所以通過自監(jiān)督學習，我們可以做的事情可以遠超過監(jiān)督學習，也難怪 Yann 未來看好 self-supervised learning。目前出現(xiàn)的性能很好的文章主要是基于 contrastive 的方法，所以下面我們介紹幾篇基于 contrastive 方法的文章。

第一篇文章是 Representation Learning with Contrastive Predictive Coding（https://arxiv.org/abs/1807.03748）。這篇文章主要是通過 contrastive 的方式在 speech, images, text 和 在reinforcement learning 中都取得了很好的效果。

從前面我們知道，由一個原始的 input 去建模一個 high-level representation 是很難的，這也是自監(jiān)督學習想做的事情。其中常用的策略是：future，missing 和 contextual，即預測未來的信息，比如 video 中當前幀預測后面的幀；丟失的信息或者是上下文的信息，比如 NLP 里面的 word2vec 和 BERT。

對于一個目標 x 和他的上下文 c 來說，直接去建模輸出 p(x|c) 會損失很多信息，將 target x 和 context c 更合適的建模方式是最大化他們之間的 mutual information，即下面的公式：

優(yōu)化了他們之間的互信息，即最大化 ，說明 要遠大于 ，即在給定 context c 的情況下， 要找到專屬于 c 的那個 x，而不是隨機采樣的 x。

基于這個觀察，論文對 density ratio 進行建模，這樣可以保留他們之間的互信息

對于這個 density ratio，可以構(gòu)建左邊的函數(shù) f 去表示它，只要基于函數(shù) f 構(gòu)造下面的損失函數(shù)，優(yōu)化這個損失函數(shù)就等價于優(yōu)化這個 density ratio，下面論文會證明這一點。

而這個損失函數(shù)，其實就是一個類似交叉熵的函數(shù)，分子是正樣本的概率，分母是正負樣本的概率求和。

下面我們證明如果能夠最優(yōu)化這個損失函數(shù)，則等價于優(yōu)化了 density ratio，也就優(yōu)化了互信息。

首先將這個 loss 函數(shù)變成概率的形式，最大化這個正樣本的概率分布，然后通過 bayesian 公式進行推導，其中 X 是負樣本，和 以及 c 都無關。

通過上面的推導，可以看出優(yōu)化這個損失函數(shù)其實就是在優(yōu)化 density ratio。論文中把 f 定義成一個 log 雙線性函數(shù)，后面的論文更加簡單，直接定義為了 cosine similarity。

有了這個 loss，我們只需要采集正負樣本就可以了。對于語音和文本，可以充分利用了不同的 k 時間步長，來采集正樣本，而負樣本可以從序列隨機取樣來得到。對于圖像任務，可以使用 pixelCNN 的方式將其轉(zhuǎn)化成一個序列類型，用前幾個 patch 作為輸入，預測下一個 patch。

source: [blog]

(https://ankeshanand.com/blog/2020/01/26/contrative-self-supervised-learning.html)

通過上面的分析和推導，我們有了這樣一個通用的框架，那么 deep infomax 這篇文章就非常好理解了，其中正樣本就是第 i 張圖片的 global feature 和中間 feature map 上個的 local feature，而負樣本就是另外一張圖片作為輸入，非常好理解。

除了像上面這樣去構(gòu)建正負樣本，還可以通過多模態(tài)的信息去構(gòu)造，比如同一張圖片的 RGB圖 和 深度圖。CMC 這篇 paper 就是從這一點出發(fā)去選擇正樣本，而且通過這個方式，每個 anchor 不僅僅只有一個正樣本，可以通過多模態(tài)得到多個正樣本，如下圖右邊所示。

現(xiàn)在我們能夠拿到很多正樣本，問題是怎么獲得大量的負樣本，對于 contrastive loss 而言，如何 sample 到很多負樣本是關鍵，mini-batch 里面的負樣本太少了，而每次對圖片重新提取特征又非常的慢。雖然可以通過 memory bank 將負樣本都存下來，但是效果并不好，所以如何節(jié)省內(nèi)存和空間獲得大量的負樣本仍然沒有很好地解決。 

有了上面這么多工作的鋪墊，其實 contrastive ssl 的大框架已經(jīng)形成了，MoCo 這篇文章也變得很好理解，可以把 target x 看成第 i 張圖片的隨機 crop，他的正樣本通過一個 model ema 來得到，可以理解為過去 epochs 對這張圖片的 smooth aggregation。而負樣本則從 memory bank 里面拿，同時 memory bank 的 feature 也是通過 model ema 得到，并且通過隊列的形式丟掉老的 feature。

MoCo 通過工程的方式，和一些 trick，比如 model ema 和 shuffleBN 來解決之前沒法很好 sample 負樣本的問題。 

最近，hinton 組也放了一篇做 ssl 的 paper，其實都是用的同一套框架，也沒有太多的 novelty。雖然摘要里面說可以拋棄 memory bank，不過細看論文，訓練的 batchsize 需要到幾千，要用32-128 cores 的 TPU，普通人根本用不起。

不過這篇文章系統(tǒng)地做了很多實驗，比如探究了一下數(shù)據(jù)增強的影響，以及的 projection head 的影響等，不過也沒有從理論上去解釋這些問題，只是做了實驗之后獲得了一些結(jié)論。 

最后展示了不同方法的結(jié)果，可以看到在性能其實已經(jīng)逼近監(jiān)督學習的效果，但是需要 train 4x 的時間，同時網(wǎng)絡參數(shù)也比較大。

雖然性能沒有超過監(jiān)督學習，不過我認為這仍然給了我們很好的啟發(fā)，比如訓練一個通用的 encoder 來接下游任務，或者是在 cross domain 的時候只需要少量樣本去 finetune，這都會給實際落地帶來收益。

Reference

contrastive self-supervised learning，https://ankeshanand.com/blog/2020/01/26/contrative-self-supervised-learning.html

deep infomax 和 深度學習中的互信息，https://zhuanlan.zhihu.com/p/46524857

本文僅做學術分享，如有侵權，請聯(lián)系刪文。