认识人和鱼的AI，能识别美人鱼吗？阿里CVPR论文试用因果推理方法解答-技术圈

视学算法专栏

转载自：机器之心

作者：达摩小僧‍

学过人类照片和鱼类照片的 AI，第一次见到美人鱼的照片会作何反应？人脸和鱼身它都很熟悉，但它无法想象一个从没见过的事物。近期，阿里巴巴达摩院将因果推理方法引入计算机视觉领域，尝试克服机器学习方法的缺陷，让 AI 想象从未见过的事物，相关论文已被计算机视觉顶会 CVPR 2021 收录。

论文链接：https://arxiv.org/pdf/2103.00887.pdf
代码链接：https://github.com/yue-zhongqi/gcm-cf

计算机视觉（CV，Computer Vision）是研究如何让机器「看」的科学，通过将非结构化的图像和视频数据进行结构化的特征表达，让 AI 理解视觉信息。深度学习出现后，AI 在 CV 领域的很多任务上表现出了超越人类的能力。不过，比起人类的视觉理解能力，AI 仍是非常「低维」的存在。

通过人和鱼的形象来想象美人鱼，对人来说轻而易举，AI 却极有可能把美人鱼胡乱归入「人」或「鱼」中的一类。因为它们缺乏「想象」这一高级别认知能力。现阶段的机器学习技术本质是通过观测数据进行拟合，这导致 AI 只认得学过的事物，遇到超越训练数据的对象，往往容易陷入「人工智障」。

图灵奖得主、因果关系演算法创立者朱迪 · 珀尔认为，人类的想象能力源于我们自带因果推理技能的大脑。人类善问「为什么」，也就是寻求事物的因果关系。借助这套认知系统，我们用「小数据」就能处理现实世界无限的「大任务」。而 AI 却只能用「大数据」来处理「小任务」，如果 AI 能够学会因果推理，就有望打破「智商天花板」，甚至通向强人工智能。

因果推理理论极大地启发了研究者，其与机器学习的结合日益受到关注。在工业界，达摩院城市大脑实验室最早将因果推理方法引入 CV 领域，用因果推理模型赋能机器学习模型，让视觉 AI 更智能。今年，该团队与南洋理工大学合作了《反事实的零次和开集识别》（Counterfactual Zero-Shot and Open-Set Visual Recognition）等三篇采用因果推理方法的论文，均被 CVPR 2021 收录。

左为现有方法的 AI「想象」结果，中为达摩院论文提出的算法核心，右为基于达摩院框架完成的想象结果。在左右二图中，红色代表训练集里面的样本，蓝色是 AI 未见过类别的样本，绿色是 AI 对未见过类别的想象。

零次学习是指让机器分类没见过的对象类别，开集识别要求让机器把没见过的对象类别标成「不认识」，两个任务都依赖想象能力。《反事实的零次和开集识别》提出了一种基于反事实的算法框架，通过解耦样本特征（比如对象的姿势）和类别特征（比如是否有羽毛），再基于样本特征进行反事实生成。在常用数据集上，该算法的准确率超出现有顶尖方法 2.2% 到 4.3%。论文作者岳中琪指出，AI 认知智能的进化刚刚开始，业界的探索仍处在早期阶段，今后他们将不断提升和优化相关算法。

城市大脑实验室介绍称，数据驱动的机器学习模型普遍面临数据不均衡问题，「以城市为例，它的信息呈长尾分布，相比海量的正常信息，交通事故、车辆违规、突发灾害等异常信息的发生概率很小，样本稀少，尽管可以通过大量增加少见样本的办法来部分解决问题，但这么做成本高、效率低。」

基于自研算法，只需使用正常信息样本，就能让 AI 获得无偏见的异常检测结果。一旦出现紧急情况，比如某辆车和某个行人发生异常交互，城市大脑不必不懂装懂或视而不见，而是可以实时识别和反馈信息。」未来，这一技术有望应用于城市基础视觉算法体系优化、极少样本城市异常事件感知能力优化乃至多模态语义搜索、智能图文生成等领域。

CVPR 是计算机视觉领域三大顶会之一，CVPR 2021 会议将于 6 月 19 日至 25 日在线举行。今年大会收录论文 1663 篇，接受率 27%。阿里巴巴集团入选论文 41 篇，是 2020 年的 2.6 倍。

在下文中，《反事实的零次和开集识别》论文一作岳中琪对他们的论文进行了解析。

《反事实的零次和开集识别》论文解析

现有的零次学习和开集识别中，见过和未见过类别间识别率严重失衡，我们发现这种失衡是由于对未见过类别样本失真的想象。由此，我们提出了一种反事实框架，通过基于样本特征的反事实生成保真，在各个评估数据集下取得了稳定的提升。这项工作的主要优势在于：

我们提出的 GCM-CF 是一个见过 / 未见过类别的二元分类器，二元分类后可以适用任何监督学习（在见过类别上）和零次学习算法（在未见过类别上）；
我们提出的反事实生成框架适用于各种生成模型，例如基于 VAE、GAN 或是 Flow 的；
我们提供了一种易于实现的两组概念间解耦的算法

接下来我会具体介绍我们针对的任务、提出的框架和对应的算法。

零次学习和开集识别

很多人都认识羚羊和貘这两种动物（如上图所示），那么一个鼻子像貘的羚羊长什么样呢？可能大家能想象出一个类似于图右的动物（它叫高鼻羚羊）。在上面的过程中，我们就是在做零次学习(Zero-Shot Learning, ZSL)：虽然我们没见过高鼻羚羊，但是通过现有的关于羚羊和貘的知识，我们就能想象出来这个未见类别的样子，相当于认识了这个动物。事实上，这种将已有知识泛化到未见事物上的能力，正是人能够快速学习的一个重要原因。

我们再来看一个路牌的例子，我们很容易就认出左边的两个路牌是熟悉的、见过的，而右边的则是一个很奇怪的没见过的路牌。人类很容易就能完成这样的开集识别(Open-Set Recognition, OSR)，因为我们不仅熟悉见过的样本，也有对未知世界的认知能力，使得我们知道见过和未见之间的边界。

在机器学习当中，这两个任务的定义如上图所示。零次学习训练集提供类别集合 S。对于上面的图片，除了每张图片的类别标签，每个类别还额外有一个属性特征 (attribute) 来描述这个类的特点（比如有翅膀，圆脸等等）。测试的时候有两种设定：在 Conventional ZSL 下全部是未见类别 U 中的图片（S∩U=∅），并且测试的时候也会给定 U 类别的 dense label。而在 Generalized ZSL 中，测试集会有 S 和 U 中的图片。开集识别的训练集则和普通的监督学习没有差别，只是在测试的时候会有训练未见过类别的样本。分类器除了正确识别见过的类，还要将未见过的类标成「未知」。

现有的 ZSL 和 OSR 的主要方法是基于生成的，比如 ZSL 中用未见类别的属性特征生成图片，然后在 image space 中进行比较。然而，生成模型会自然地偏向见过的训练集，使得对于未见类别的想象失真了（这其实是因为属性特征的 entanglement，这里我不详细展开，大家可以参考一下论文）。比如训练的时候见过大象的长鼻子，而去想象没见过的貘的长鼻子的时候，就会想象成大象的鼻子。左边的图展现了这种失真：红色是训练集里面的样本，蓝色是 ground-truth 的未见过类别的样本，绿色是现有方法对未见过类别的想象，这些想象已经脱离了样本空间，既不像见过的类，也不像没见过的类（绿色的点偏离了蓝色和红色的点）。这就解释了为什么见过和未见过类别的识别率会失衡了：用绿色和红色样本学习的分类器（黑色虚线）牺牲了未见过类的 recall 来提高见过类的 recall。

反事实生成框架

那么如何在想像的时候保真？我们来思考一下人是怎么想像的：在想像一个古代生物的样子时，我们会基于它的化石骨架（图左）；在想象动画世界的一个场景时，我们会参考现实世界（图右）。这些想象的本质其实是一种反事实推理（counterfactual inference），给定这样的化石（fact），如果它还活着（counterfact），会是什么样子呢？给定现实世界的某个场景，如果这个场景到了动画世界，它是什么样子呢？我们的想象，通过建立在 fact 的基石上，就变得合情合理而非天马行空。

那么可否在 ZSL 和 OSR 当中利用反事实产生合理的想象呢？我们首先为这两个任务构建了一个基于因果的生成模型 Generative Causal Model (GCM)，我们假设观测到的图片 X 是由样本特征 Z（和类别无关，比如物体的 pose 等）和类别特征 Y（比如有羽毛，圆脸等）生成的。现有的基于生成的方法其实在学习 P(X|Z,Y)，然后把 Y 的值设为某个类的特征（比如 ZSL 中的 dense label），把 Z 设成高斯噪声，就可以生成很多这个类的样本了。

反事实生成和现有生成模型的最大区别就是基于特定的样本特征 Z=z（fact）来进行生成，而非高斯噪声。具体过程如上图所示，对于一个图片 x，我们通过 encoder z(⋅)拿到这个图片的样本特征 Z=z(x)（比如 front-view，walking 等），基于这个样本特征 Z（fact）和不同的类别特征 Y（counterfact），我们可以生成不同类别的反事实图片 x ̃（front-view,walking 的猫，羊和鸡等等）。直觉上我们知道，因为反事实生成的猫、羊和鸡的图片和 x 不像，x 肯定不属于这三个类别。这种直觉其实是有理论支持的 --- 叫做反事实一致性（Counterfactual Consistency Rule），通俗的解释就是 counterfact 和 fact 重合时，得到的结果就是 factual 的结果，比如 fact 是昨天吃冰淇凌拉肚子，那么反事实问题「如果我昨天吃冰淇凌会怎么样呢？」的答案就是拉肚子。那么如何通过 consistency rule 解决 ZSL 和 OSR 呢？

GCM-CF 算法

我们的 GCM-CF 算法流程如上图所示，它本质上是一个基于 consistency rule 的二元分类器，去判断某个样本是属于见过还是没见过的类。

训练的时候我们学习一个 GCM。测试的时候，对于每个样本 X=x，我们用上一节介绍的步骤进行反事实生成：用这个样本自己的 Z=z(x)，拼上不同的类别特征 Y=y，然后用 P(X|Z=z(x),Y=y)生成 x ̃。这样生成的样本可以证明是「保真」（Counterfactual Faithful）的，也就是在样本空间里面，那么我们就能够用样本空间当中的量度去比较 x 和生成的 x ̃，从而用 consistency rule 判断 x 是属于见过的还是没见过的类。

具体到任务中，在 ZSL 里面，我们用未见过类别的 attribute（图中 Y_U）生成反事实样本，然后用训练集的样本（见过的类）和生成的样本（未见过的类）训练一个线性分类器，对输入样本 X=x 进行分类后，我们取见过类和未见过类概率的 top-K 的平均值。如果未见过类上的平均值较小，我们就认为样本 X=x 不像未见过的类（not consistent），把这个样本标注成属于见过的类，并使用在见过类的样本上面监督学习的分类器来分类（这其实是基于 consistency rule 的换质位推理，具体见论文）；反之如果 consistent，就标注为为见过的类，然后用任何 Conventional ZSL 的算法对其分类。在 OSR 里面，因为没有未见类别的信息，我们用见过类的 one-hot label（图中 Y_S）作为 Y 生成反事实样本，如果 x 和生成的样本在欧式距离下都很远（not consistent），就认为 x 属于未见过的类，并标为「未知」，反之则用监督学习的分类器即可。

可以看到，算法的核心要求是生成保真的样本，这样才能用 consistency rule 做推理。这个性质可以由 Counterfactual Faithfulness Theorem 来保证，简单来说就是：保真生成的充要条件是样本特征和类别特征之间解耦（disentangle）。我们通过三个 loss 实现：

β-VAE loss：这个 loss 要求 encode 得到的 Z=z(x)，和样本自己的 Y=y，可以重构样本 X=x，并且 encode 出来的 Z 要非常符合 isotropic Gaussian 分布。这样通过使 Z 的分布和 Y 无关实现解耦；
Contrastive loss：反事实生成的样本中，x 只和自己类别特征生成的样本像，和其他类别特征生成的样本都远。这个避免了生成模型只用 Z 里面的信息进行生成而忽略了 Y，从而进一步把 Y 的信息从 Z 里解耦；
GAN loss：这个 loss 直接要求反事实生成的样本被 discriminator 认为是真实的，通过充要条件，用保真来进一步解耦。

实验

在介绍实验前，值得注意的是 ZSL 常用的 Proposed Split 官方给的数据集之前有一个数据泄露的 bug，这使得一些方法在见过类别（S）的表现特别高。去年的时候官方网站上放出了 Proposed Split V2，解决了这个 bug。我们下面的实验都是在改过的数据集上跑的。

减轻见过和未见过类别识别率的失衡

下面的 tsne 显示了反事实生成的结果，可以看到通过 condition 样本特征（蓝星是未见类的样本，红星是见过的），生成的未见类别的样本确实保真了（在蓝点中间），得到的 decision boundary（黑线）也 balanced 了。这在 ZSL 的 4 个常用数据集上也体现了出来，我们的方法大幅提高了未见类别 (U) 的准确率，从而使得整体的准确率 H(harmonic mean)提高了，达到了 SOTA 的表现。现有的方法其实也有一个简单的解决失衡的办法，就是直接调整见过类别的 logits，通过改变调整的幅度，我们可以得到一个见过类别和未见过类别的曲线，可以看到我们的方法（红线）在各个调整幅度下都更高，说明它能从根本上减轻失衡，这是简单的调整所不能完成的。

强大的见过 / 未见过类别的分类器

我们的方法能够适用任何的 conventional ZSL 算法，我们测试了 inference-based 的 RelationNet，和三个基于不同生成网络的 generation-based 的方法，发现加上我们的方法都获得了提高，并且超过了用现在 SOTA 的 TF-VAEGAN 作为见过 / 未见过的分类器的表现。

强大的开集分类器

我们在常用的几个数据集上做了开集识别的实验（用的 F1 指标），并取得了 SOTA 的表现。因为开集识别中未见过类别的数量是未知的，所以好的分类器必须在数量少和多的情况下都好。在右图中我们画了 F1 分数和未见过类别的数量（从少到多）的曲线，我们的方法（蓝色）在每个情况下都是最好，并且在未见类别测试中，很多时候（蓝色曲线末尾）F1 基本没有下降，体现了较强的鲁棒性。

结语

这篇工作是我们对于解耦表示（disentangled representation）的一点点探究和摸索，把难以实现的所有 factor full disentangle，放宽成为两组概念（样本特征和类别特征）之间的 disentangle，并借着 disentangle 带来的 faithfulness 性质，使我们提出的反事实生成框架变为可能。这也从一个侧面反映了解耦是因果推理的一个重要的前提，当不同的概念被区分开（比如解耦的表示）时，我们就可以基于它们之间的因果关系进行推理，得到鲁棒、稳定、可泛化的结论。

我也看到一些对于解耦的悲观和质疑。确实，目前就连解耦的定义都没有定论，更不要说方法、evaluation 等等了。但这些困难也是可预见的：解耦在帮助机器跨越一个层级，从学习观测到的数据中的规律，到探究这些数据产生的原因 --- 就像人知道太阳每天会升起的规律是容易的，但明白为什么太阳会升起却花了几千年。这里也鼓励大家多多关注、探索解耦这个领域，说不定带来下一个突破的就是你啊。

最后附上我们论文的引用：

@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}}

转载请联系原公众号获得授权

投稿或寻求报道：content@jiqizhixin.com

点个在看 paper不断！