認識人和魚(yú)的AI，能識別美人魚(yú)嗎？阿里CVPR論文試用因果推理方法解答

學(xué)過(guò)人類(lèi)照片和魚(yú)類(lèi)照片的 AI，第一次見(jiàn)到美人魚(yú)的照片會(huì )作何反應？人臉和魚(yú)身它都很熟悉，但它無(wú)法想象一個(gè)從沒(méi)見(jiàn)過(guò)的事物。近期，阿里巴巴達摩院將因果推理方法引入計算機視覺(jué)領(lǐng)域，嘗試克服機器學(xué)習方法的缺陷，讓 AI 想象從未見(jiàn)過(guò)的事物，相關(guān)論文已被計算機視覺(jué)頂會(huì ) CVPR 2021 收錄。

論文鏈接：https://arxiv.org/pdf/2103.00887.pdf

代碼鏈接：https://github.com/yue-zhongqi/gcm-cf

計算機視覺(jué)（CV，Computer Vision）是研究如何讓機器「看」的科學(xué)，通過(guò)將非結構化的圖像和視頻數據進(jìn)行結構化的特征表達，讓 AI 理解視覺(jué)信息。深度學(xué)習出現后，AI 在 CV 領(lǐng)域的很多任務(wù)上表現出了超越人類(lèi)的能力。不過(guò)，比起人類(lèi)的視覺(jué)理解能力，AI 仍是非?！傅途S」的存在。

通過(guò)人和魚(yú)的形象來(lái)想象美人魚(yú)，對人來(lái)說(shuō)輕而易舉，AI 卻極有可能把美人魚(yú)胡亂歸入「人」或「魚(yú)」中的一類(lèi)。因為它們缺乏「想象」這一高級別認知能力?，F階段的機器學(xué)習技術(shù)本質(zhì)是通過(guò)觀(guān)測數據進(jìn)行擬合，這導致 AI 只認得學(xué)過(guò)的事物，遇到超越訓練數據的對象，往往容易陷入「人工智障」。

圖靈獎得主、因果關(guān)系演算法創(chuàng )立者朱迪 · 珀爾認為，人類(lèi)的想象能力源于我們自帶因果推理技能的大腦。人類(lèi)善問(wèn)「為什么」，也就是尋求事物的因果關(guān)系。借助這套認知系統，我們用「小數據」就能處理現實(shí)世界無(wú)限的「大任務(wù)」。而 AI 卻只能用「大數據」來(lái)處理「小任務(wù)」，如果 AI 能夠學(xué)會(huì )因果推理，就有望打破「智商天花板」，甚至通向強人工智能。

因果推理理論極大地啟發(fā)了研究者，其與機器學(xué)習的結合日益受到關(guān)注。在工業(yè)界，達摩院城市大腦實(shí)驗室最早將因果推理方法引入 CV 領(lǐng)域，用因果推理模型賦能機器學(xué)習模型，讓視覺(jué) AI 更智能。今年，該團隊與南洋理工大學(xué)合作了《反事實(shí)的零次和開(kāi)集識別》（Counterfactual Zero-Shot and Open-Set Visual Recognition）等三篇采用因果推理方法的論文，均被 CVPR 2021 收錄。

左為現有方法的 AI「想象」結果，中為達摩院論文提出的算法核心，右為基于達摩院框架完成的想象結果。在左右二圖中，紅色代表訓練集里面的樣本，藍色是 AI 未見(jiàn)過(guò)類(lèi)別的樣本，綠色是 AI 對未見(jiàn)過(guò)類(lèi)別的想象。

零次學(xué)習是指讓機器分類(lèi)沒(méi)見(jiàn)過(guò)的對象類(lèi)別，開(kāi)集識別要求讓機器把沒(méi)見(jiàn)過(guò)的對象類(lèi)別標成「不認識」，兩個(gè)任務(wù)都依賴(lài)想象能力?！斗词聦?shí)的零次和開(kāi)集識別》提出了一種基于反事實(shí)的算法框架，通過(guò)解耦樣本特征（比如對象的姿勢）和類(lèi)別特征（比如是否有羽毛），再基于樣本特征進(jìn)行反事實(shí)生成。在常用數據集上，該算法的準確率超出現有頂尖方法 2.2% 到 4.3%。論文作者岳中琪指出，AI 認知智能的進(jìn)化剛剛開(kāi)始，業(yè)界的探索仍處在早期階段，今后他們將不斷提升和優(yōu)化相關(guān)算法。

城市大腦實(shí)驗室介紹稱(chēng)，數據驅動(dòng)的機器學(xué)習模型普遍面臨數據不均衡問(wèn)題，「以城市為例，它的信息呈長(cháng)尾分布，相比海量的正常信息，交通事故、車(chē)輛違規、突發(fā)災害等異常信息的發(fā)生概率很小，樣本稀少，盡管可以通過(guò)大量增加少見(jiàn)樣本的辦法來(lái)部分解決問(wèn)題，但這么做成本高、效率低?！?/p>

基于自研算法，只需使用正常信息樣本，就能讓 AI 獲得無(wú)偏見(jiàn)的異常檢測結果。一旦出現緊急情況，比如某輛車(chē)和某個(gè)行人發(fā)生異常交互，城市大腦不必不懂裝懂或視而不見(jiàn)，而是可以實(shí)時(shí)識別和反饋信息?！刮磥?lái)，這一技術(shù)有望應用于城市基礎視覺(jué)算法體系優(yōu)化、極少樣本城市異常事件感知能力優(yōu)化乃至多模態(tài)語(yǔ)義搜索、智能圖文生成等領(lǐng)域。

CVPR 是計算機視覺(jué)領(lǐng)域三大頂會(huì )之一，CVPR 2021 會(huì )議將于 6 月 19 日至 25 日在線(xiàn)舉行。今年大會(huì )收錄論文 1663 篇，接受率 27%。阿里巴巴集團入選論文 41 篇，是 2020 年的 2.6 倍。

在下文中，《反事實(shí)的零次和開(kāi)集識別》論文一作岳中琪對他們的論文進(jìn)行了解析。

《反事實(shí)的零次和開(kāi)集識別》論文解析

現有的零次學(xué)習和開(kāi)集識別中，見(jiàn)過(guò)和未見(jiàn)過(guò)類(lèi)別間識別率嚴重失衡，我們發(fā)現這種失衡是由于對未見(jiàn)過(guò)類(lèi)別樣本失真的想象。由此，我們提出了一種反事實(shí)框架，通過(guò)基于樣本特征的反事實(shí)生成保真，在各個(gè)評估數據集下取得了穩定的提升。這項工作的主要優(yōu)勢在于：

我們提出的 GCM-CF 是一個(gè)見(jiàn)過(guò) / 未見(jiàn)過(guò)類(lèi)別的二元分類(lèi)器，二元分類(lèi)后可以適用任何監督學(xué)習（在見(jiàn)過(guò)類(lèi)別上）和零次學(xué)習算法（在未見(jiàn)過(guò)類(lèi)別上）；

我們提出的反事實(shí)生成框架適用于各種生成模型，例如基于 VAE、GAN 或是 Flow 的；

我們提供了一種易于實(shí)現的兩組概念間解耦的算法

接下來(lái)我會(huì )具體介紹我們針對的任務(wù)、提出的框架和對應的算法。

零次學(xué)習和開(kāi)集識別

很多人都認識羚羊和貘這兩種動(dòng)物（如上圖所示），那么一個(gè)鼻子像貘的羚羊長(cháng)什么樣呢？可能大家能想象出一個(gè)類(lèi)似于圖右的動(dòng)物（它叫高鼻羚羊）。在上面的過(guò)程中，我們就是在做零次學(xué)習(Zero-Shot Learning, ZSL)：雖然我們沒(méi)見(jiàn)過(guò)高鼻羚羊，但是通過(guò)現有的關(guān)于羚羊和貘的知識，我們就能想象出來(lái)這個(gè)未見(jiàn)類(lèi)別的樣子，相當于認識了這個(gè)動(dòng)物。事實(shí)上，這種將已有知識泛化到未見(jiàn)事物上的能力，正是人能夠快速學(xué)習的一個(gè)重要原因。

我們再來(lái)看一個(gè)路牌的例子，我們很容易就認出左邊的兩個(gè)路牌是熟悉的、見(jiàn)過(guò)的，而右邊的則是一個(gè)很奇怪的沒(méi)見(jiàn)過(guò)的路牌。人類(lèi)很容易就能完成這樣的開(kāi)集識別(Open-Set Recognition, OSR)，因為我們不僅熟悉見(jiàn)過(guò)的樣本，也有對未知世界的認知能力，使得我們知道見(jiàn)過(guò)和未見(jiàn)之間的邊界。

在機器學(xué)習當中，這兩個(gè)任務(wù)的定義如上圖所示。零次學(xué)習訓練集提供類(lèi)別集合 S。對于上面的圖片，除了每張圖片的類(lèi)別標簽，每個(gè)類(lèi)別還額外有一個(gè)屬性特征 (attribute) 來(lái)描述這個(gè)類(lèi)的特點(diǎn)（比如有翅膀，圓臉等等）。測試的時(shí)候有兩種設定：在 Conventional ZSL 下全部是未見(jiàn)類(lèi)別 U 中的圖片（S∩U=?），并且測試的時(shí)候也會(huì )給定 U 類(lèi)別的 dense label。而在 Generalized ZSL 中，測試集會(huì )有 S 和 U 中的圖片。開(kāi)集識別的訓練集則和普通的監督學(xué)習沒(méi)有差別，只是在測試的時(shí)候會(huì )有訓練未見(jiàn)過(guò)類(lèi)別的樣本。分類(lèi)器除了正確識別見(jiàn)過(guò)的類(lèi)，還要將未見(jiàn)過(guò)的類(lèi)標成「未知」。

現有的 ZSL 和 OSR 的主要方法是基于生成的，比如 ZSL 中用未見(jiàn)類(lèi)別的屬性特征生成圖片，然后在 image space 中進(jìn)行比較。然而，生成模型會(huì )自然地偏向見(jiàn)過(guò)的訓練集，使得對于未見(jiàn)類(lèi)別的想象失真了（這其實(shí)是因為屬性特征的 entanglement，這里我不詳細展開(kāi)，大家可以參考一下論文）。比如訓練的時(shí)候見(jiàn)過(guò)大象的長(cháng)鼻子，而去想象沒(méi)見(jiàn)過(guò)的貘的長(cháng)鼻子的時(shí)候，就會(huì )想象成大象的鼻子。左邊的圖展現了這種失真：紅色是訓練集里面的樣本，藍色是 ground-truth 的未見(jiàn)過(guò)類(lèi)別的樣本，綠色是現有方法對未見(jiàn)過(guò)類(lèi)別的想象，這些想象已經(jīng)脫離了樣本空間，既不像見(jiàn)過(guò)的類(lèi)，也不像沒(méi)見(jiàn)過(guò)的類(lèi)（綠色的點(diǎn)偏離了藍色和紅色的點(diǎn)）。這就解釋了為什么見(jiàn)過(guò)和未見(jiàn)過(guò)類(lèi)別的識別率會(huì )失衡了：用綠色和紅色樣本學(xué)習的分類(lèi)器（黑色虛線(xiàn)）犧牲了未見(jiàn)過(guò)類(lèi)的 recall 來(lái)提高見(jiàn)過(guò)類(lèi)的 recall。

反事實(shí)生成框架

那么如何在想像的時(shí)候保真？我們來(lái)思考一下人是怎么想像的：在想像一個(gè)古代生物的樣子時(shí)，我們會(huì )基于它的化石骨架（圖左）；在想象動(dòng)畫(huà)世界的一個(gè)場(chǎng)景時(shí)，我們會(huì )參考現實(shí)世界（圖右）。這些想象的本質(zhì)其實(shí)是一種反事實(shí)推理（counterfactual inference），給定這樣的化石（fact），如果它還活著(zhù)（counterfact），會(huì )是什么樣子呢？給定現實(shí)世界的某個(gè)場(chǎng)景，如果這個(gè)場(chǎng)景到了動(dòng)畫(huà)世界，它是什么樣子呢？我們的想象，通過(guò)建立在 fact 的基石上，就變得合情合理而非天馬行空。

那么可否在 ZSL 和 OSR 當中利用反事實(shí)產(chǎn)生合理的想象呢？我們首先為這兩個(gè)任務(wù)構建了一個(gè)基于因果的生成模型 Generative Causal Model (GCM)，我們假設觀(guān)測到的圖片 X 是由樣本特征 Z（和類(lèi)別無(wú)關(guān)，比如物體的 pose 等）和類(lèi)別特征 Y（比如有羽毛，圓臉等）生成的?，F有的基于生成的方法其實(shí)在學(xué)習 P(X|Z,Y)，然后把 Y 的值設為某個(gè)類(lèi)的特征（比如 ZSL 中的 dense label），把 Z 設成高斯噪聲，就可以生成很多這個(gè)類(lèi)的樣本了。

反事實(shí)生成和現有生成模型的最大區別就是基于特定的樣本特征 Z=z（fact）來(lái)進(jìn)行生成，而非高斯噪聲。具體過(guò)程如上圖所示，對于一個(gè)圖片 x，我們通過(guò) encoder z(?)拿到這個(gè)圖片的樣本特征 Z=z(x)（比如 front-view，walking 等），基于這個(gè)樣本特征 Z（fact）和不同的類(lèi)別特征 Y（counterfact），我們可以生成不同類(lèi)別的反事實(shí)圖片 x ?（front-view,walking 的貓，羊和雞等等）。直覺(jué)上我們知道，因為反事實(shí)生成的貓、羊和雞的圖片和 x 不像，x 肯定不屬于這三個(gè)類(lèi)別。這種直覺(jué)其實(shí)是有理論支持的 --- 叫做反事實(shí)一致性（Counterfactual Consistency Rule），通俗的解釋就是 counterfact 和 fact 重合時(shí)，得到的結果就是 factual 的結果，比如 fact 是昨天吃冰淇凌拉肚子，那么反事實(shí)問(wèn)題「如果我昨天吃冰淇凌會(huì )怎么樣呢？」的答案就是拉肚子。那么如何通過(guò) consistency rule 解決 ZSL 和 OSR 呢？

GCM-CF 算法

我們的 GCM-CF 算法流程如上圖所示，它本質(zhì)上是一個(gè)基于 consistency rule 的二元分類(lèi)器，去判斷某個(gè)樣本是屬于見(jiàn)過(guò)還是沒(méi)見(jiàn)過(guò)的類(lèi)。

訓練的時(shí)候我們學(xué)習一個(gè) GCM。測試的時(shí)候，對于每個(gè)樣本 X=x，我們用上一節介紹的步驟進(jìn)行反事實(shí)生成：用這個(gè)樣本自己的 Z=z(x)，拼上不同的類(lèi)別特征 Y=y，然后用 P(X|Z=z(x),Y=y)生成 x ?。這樣生成的樣本可以證明是「保真」（Counterfactual Faithful）的，也就是在樣本空間里面，那么我們就能夠用樣本空間當中的量度去比較 x 和生成的 x ?，從而用 consistency rule 判斷 x 是屬于見(jiàn)過(guò)的還是沒(méi)見(jiàn)過(guò)的類(lèi)。

具體到任務(wù)中，在 ZSL 里面，我們用未見(jiàn)過(guò)類(lèi)別的 attribute（圖中 Y_U）生成反事實(shí)樣本，然后用訓練集的樣本（見(jiàn)過(guò)的類(lèi)）和生成的樣本（未見(jiàn)過(guò)的類(lèi)）訓練一個(gè)線(xiàn)性分類(lèi)器，對輸入樣本 X=x 進(jìn)行分類(lèi)后，我們取見(jiàn)過(guò)類(lèi)和未見(jiàn)過(guò)類(lèi)概率的 top-K 的平均值。如果未見(jiàn)過(guò)類(lèi)上的平均值較小，我們就認為樣本 X=x 不像未見(jiàn)過(guò)的類(lèi)（not consistent），把這個(gè)樣本標注成屬于見(jiàn)過(guò)的類(lèi)，并使用在見(jiàn)過(guò)類(lèi)的樣本上面監督學(xué)習的分類(lèi)器來(lái)分類(lèi)（這其實(shí)是基于 consistency rule 的換質(zhì)位推理，具體見(jiàn)論文）；反之如果 consistent，就標注為為見(jiàn)過(guò)的類(lèi)，然后用任何 Conventional ZSL 的算法對其分類(lèi)。在 OSR 里面，因為沒(méi)有未見(jiàn)類(lèi)別的信息，我們用見(jiàn)過(guò)類(lèi)的 one-hot label（圖中 Y_S）作為 Y 生成反事實(shí)樣本，如果 x 和生成的樣本在歐式距離下都很遠（not consistent），就認為 x 屬于未見(jiàn)過(guò)的類(lèi)，并標為「未知」，反之則用監督學(xué)習的分類(lèi)器即可。

可以看到，算法的核心要求是生成保真的樣本，這樣才能用 consistency rule 做推理。這個(gè)性質(zhì)可以由 Counterfactual Faithfulness Theorem 來(lái)保證，簡(jiǎn)單來(lái)說(shuō)就是：保真生成的充要條件是樣本特征和類(lèi)別特征之間解耦（disentangle）。我們通過(guò)三個(gè) loss 實(shí)現：

β-VAE loss：這個(gè) loss 要求 encode 得到的 Z=z(x)，和樣本自己的 Y=y，可以重構樣本 X=x，并且 encode 出來(lái)的 Z 要非常符合 isotropic Gaussian 分布。這樣通過(guò)使 Z 的分布和 Y 無(wú)關(guān)實(shí)現解耦；

Contrastive loss：反事實(shí)生成的樣本中，x 只和自己類(lèi)別特征生成的樣本像，和其他類(lèi)別特征生成的樣本都遠。這個(gè)避免了生成模型只用 Z 里面的信息進(jìn)行生成而忽略了 Y，從而進(jìn)一步把 Y 的信息從 Z 里解耦；

GAN loss：這個(gè) loss 直接要求反事實(shí)生成的樣本被 discriminator 認為是真實(shí)的，通過(guò)充要條件，用保真來(lái)進(jìn)一步解耦。

實(shí)驗

在介紹實(shí)驗前，值得注意的是 ZSL 常用的 Proposed Split 官方給的數據集之前有一個(gè)數據泄露的 bug，這使得一些方法在見(jiàn)過(guò)類(lèi)別（S）的表現特別高。去年的時(shí)候官方網(wǎng)站上放出了 Proposed Split V2，解決了這個(gè) bug。我們下面的實(shí)驗都是在改過(guò)的數據集上跑的。

減輕見(jiàn)過(guò)和未見(jiàn)過(guò)類(lèi)別識別率的失衡

下面的 tsne 顯示了反事實(shí)生成的結果，可以看到通過(guò) condition 樣本特征（藍星是未見(jiàn)類(lèi)的樣本，紅星是見(jiàn)過(guò)的），生成的未見(jiàn)類(lèi)別的樣本確實(shí)保真了（在藍點(diǎn)中間），得到的 decision boundary（黑線(xiàn)）也 balanced 了。這在 ZSL 的 4 個(gè)常用數據集上也體現了出來(lái)，我們的方法大幅提高了未見(jiàn)類(lèi)別 (U) 的準確率，從而使得整體的準確率 H(harmonic mean)提高了，達到了 SOTA 的表現?，F有的方法其實(shí)也有一個(gè)簡(jiǎn)單的解決失衡的辦法，就是直接調整見(jiàn)過(guò)類(lèi)別的 logits，通過(guò)改變調整的幅度，我們可以得到一個(gè)見(jiàn)過(guò)類(lèi)別和未見(jiàn)過(guò)類(lèi)別的曲線(xiàn)，可以看到我們的方法（紅線(xiàn)）在各個(gè)調整幅度下都更高，說(shuō)明它能從根本上減輕失衡，這是簡(jiǎn)單的調整所不能完成的。

強大的見(jiàn)過(guò) / 未見(jiàn)過(guò)類(lèi)別的分類(lèi)器

我們的方法能夠適用任何的 conventional ZSL 算法，我們測試了 inference-based 的 RelationNet，和三個(gè)基于不同生成網(wǎng)絡(luò )的 generation-based 的方法，發(fā)現加上我們的方法都獲得了提高，并且超過(guò)了用現在 SOTA 的 TF-VAEGAN 作為見(jiàn)過(guò) / 未見(jiàn)過(guò)的分類(lèi)器的表現。

強大的開(kāi)集分類(lèi)器

我們在常用的幾個(gè)數據集上做了開(kāi)集識別的實(shí)驗（用的 F1 指標），并取得了 SOTA 的表現。因為開(kāi)集識別中未見(jiàn)過(guò)類(lèi)別的數量是未知的，所以好的分類(lèi)器必須在數量少和多的情況下都好。在右圖中我們畫(huà)了 F1 分數和未見(jiàn)過(guò)類(lèi)別的數量（從少到多）的曲線(xiàn)，我們的方法（藍色）在每個(gè)情況下都是最好，并且在未見(jiàn)類(lèi)別測試中，很多時(shí)候（藍色曲線(xiàn)末尾）F1 基本沒(méi)有下降，體現了較強的魯棒性。

結語(yǔ)

這篇工作是我們對于解耦表示（disentangled representation）的一點(diǎn)點(diǎn)探究和摸索，把難以實(shí)現的所有 factor full disentangle，放寬成為兩組概念（樣本特征和類(lèi)別特征）之間的 disentangle，并借著(zhù) disentangle 帶來(lái)的 faithfulness 性質(zhì)，使我們提出的反事實(shí)生成框架變?yōu)榭赡?。這也從一個(gè)側面反映了解耦是因果推理的一個(gè)重要的前提，當不同的概念被區分開(kāi)（比如解耦的表示）時(shí)，我們就可以基于它們之間的因果關(guān)系進(jìn)行推理，得到魯棒、穩定、可泛化的結論。

我也看到一些對于解耦的悲觀(guān)和質(zhì)疑。確實(shí)，目前就連解耦的定義都沒(méi)有定論，更不要說(shuō)方法、evaluation 等等了。但這些困難也是可預見(jiàn)的：解耦在幫助機器跨越一個(gè)層級，從學(xué)習觀(guān)測到的數據中的規律，到探究這些數據產(chǎn)生的原因 --- 就像人知道太陽(yáng)每天會(huì )升起的規律是容易的，但明白為什么太陽(yáng)會(huì )升起卻花了幾千年。這里也鼓勵大家多多關(guān)注、探索解耦這個(gè)領(lǐng)域，說(shuō)不定帶來(lái)下一個(gè)突破的就是你啊。

最后附上我們論文的引用：

@inproceedings{yue2021counterfactual,
  title={Counterfactual Zero-Shot and Open-Set Visual Recognition},
  author={Yue, Zhongqi and Wang, Tan and Zhang, Hanwang and Sun, Qianru and Hua, Xian-Sheng},
  booktitle= {CVPR},
  year={2021}
}