學(xué)習(xí)一個(gè)像小鼠一樣工作的 CNN

雷鋒網(wǎng) AI 科技評論按：當(dāng)前的基于 CNN 的圖像識別模型確實(shí)能在許多任務(wù)中得到很高的識別準(zhǔn)確率、也得到了許多實(shí)際應(yīng)用，但 CNN 模型的泛化性和魯棒性仍然遠(yuǎn)遜于人類視覺 —— 面對經(jīng)過細(xì)微修改的、或者帶有噪聲的圖像，人類的視覺識別幾乎不受影響，而 CNN 的識別準(zhǔn)確率則可能大幅波動；場景和視角也能顯著影響 CNN 的表現(xiàn)，更別提從很少的樣本學(xué)習(xí)物體識別了。

如果說「視覺智慧」的至高水準(zhǔn)是具有不變性的神經(jīng)表征，以及圖像經(jīng)過復(fù)雜變換以后仍然能夠識別處理的泛化能力的話，人類的/生物的視覺系統(tǒng)顯然具有視覺智慧，而現(xiàn)代的 CNN 并不具備；研究生物視覺系統(tǒng)中視覺智慧的來源、并嘗試在人工設(shè)計(jì)的視覺系統(tǒng)中重現(xiàn)它，近些年來都是神經(jīng)科學(xué)領(lǐng)域以及機(jī)器學(xué)習(xí)領(lǐng)域的熱門研究課題。

最近，NeurIPS 2019 論文《Learning From Brains How to Regularize Machines》（從大腦學(xué)習(xí)如何做機(jī)器的正則化）就在這個(gè)問題上做出了有趣的嘗試。此前我們介紹過日本研究人員的成果，他們從人腦的 fMRI 成像解碼重現(xiàn)出眼睛看到的畫面。但根據(jù)大腦的神經(jīng)活動直接影響人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)表征的過程，從而影響模型在分類任務(wù)中的表現(xiàn)，這個(gè)方法就相當(dāng)新穎有趣。雷鋒網(wǎng) AI 科技評論把論文主要內(nèi)容介紹如下。

再次嘗試模仿生物視覺系統(tǒng)

在這篇論文中，作者們重點(diǎn)比較了視覺智慧其中的一個(gè)方面：面對對抗性攻擊和噪聲干擾的魯棒性。對抗性攻擊可以對給定圖像做微小的修改就讓 CNN 模型以很高的置信度把物體識別為另外一個(gè)類別，噪聲則普遍地影響 CNN 的識別準(zhǔn)確率。面對相同的干擾，生物視覺系統(tǒng)的表現(xiàn)幾乎不受影響。這很可能表明，不僅 CNN 缺乏生物視覺系統(tǒng)中那種高級的場景理解能力，CNN 識別物體時(shí)使用的視覺特征也可能和生物視覺系統(tǒng)完全不同。

遺憾的是，生物神經(jīng)網(wǎng)絡(luò)和人造神經(jīng)網(wǎng)絡(luò)的工作機(jī)理有很大區(qū)別，即便我們能從生物視覺系統(tǒng)中解碼出不同級別的視覺特征，我們也很難把它直接拷貝到人造神經(jīng)網(wǎng)絡(luò)中去。有一些研究者對生物視覺系統(tǒng)做過直接的研究，比如紐約大學(xué)教授 Eero Simoncelli 從紋理和層次化感知的角度做過研究和實(shí)驗(yàn)（他在 ICLR 2017 的特邀演講上做了介紹），但他的理論也沒辦法直接拿來改進(jìn) CNN。

不過，想要模仿生物神經(jīng)網(wǎng)絡(luò)中的特征，我們也許不是完全束手無策：我們在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)會引入各種隱式的歸納偏倚，以及使用不同的正則化方法，它們能對網(wǎng)絡(luò)的參數(shù)空間增加限制，以及引導(dǎo)改變模型學(xué)習(xí)和使用特征的方式，最終對模型的魯棒性和泛化性產(chǎn)生影響。雖然現(xiàn)階段的神經(jīng)網(wǎng)絡(luò)訓(xùn)練中我們很難事先就明確各種選用的偏倚的影響，而且模型學(xué)習(xí)到的模式也時(shí)常無法泛化到訓(xùn)練數(shù)據(jù)范圍之外，但這起碼是一個(gè)有希望的突破口。

一個(gè)從側(cè)面起到幫助的事情是，近期有許多研究表明，經(jīng)過任務(wù)中訓(xùn)練的 CNN 網(wǎng)絡(luò)的感知表征和靈長類動物大腦中測量到的表征信號有相似之處。作者們就大膽假設(shè)，如果能讓人工神經(jīng)網(wǎng)絡(luò)的表征和生物視覺系統(tǒng)的受激神經(jīng)活動體現(xiàn)出的表征更為相似，就有可能對 CNN 的表現(xiàn)產(chǎn)生正面的影響 —— 比如和生物視覺系統(tǒng)一樣面對有噪聲、有變化的圖像也有較穩(wěn)定的表現(xiàn)。

學(xué)習(xí)小鼠的視覺系統(tǒng)

這篇論文的作者們就是引入額外的偏倚，對模型進(jìn)行正則化（引導(dǎo)），讓模型學(xué)習(xí)到的模式與生物視覺系統(tǒng)的模式更為相近。具體來說，作者們直接測量了小鼠看到各種不同的復(fù)雜自然場景時(shí)，大腦中視覺皮質(zhì)的神經(jīng)響應(yīng)。然后，作者們在訓(xùn)練 CNN 時(shí)也不再采用傳統(tǒng)的僅以識別率為核心的訓(xùn)練目標(biāo)，而是鼓勵(lì)卷積特征的激活模式于生物神經(jīng)信號的模式更為相近，也就是讓 CNN 學(xué)習(xí)更接近生物視覺系統(tǒng)的特征表征。

測量小鼠

作者們在幾天的時(shí)間內(nèi)、在多只小鼠身上重復(fù)進(jìn)行了許多輪主要視覺皮層的掃描。在實(shí)驗(yàn)中，小鼠的頭部被固定，身體可以在履帶上跑步。研究者們從 ImageNet 數(shù)據(jù)集中抽取了 5100 張不同的圖像并轉(zhuǎn)換為灰度色彩，分辨率降低到 64x36，然后展示給小鼠看（小鼠的視覺能力不如人類強(qiáng)，而且對彩色不敏感）；其中的 5000 張只展示一次（測量一次），100 張展示 10 次（測量 10 次），這樣每只小鼠的每輪實(shí)驗(yàn)一共有 6000 組測量數(shù)據(jù)。

選擇小鼠作為實(shí)驗(yàn)動物的主要原因是，針對小鼠的基因改造方法比較多比較成熟，能讓作者們同時(shí)測量 8000 個(gè)不同神經(jīng)單元的信號。固然，足夠復(fù)雜、足夠接近人類的其它靈長目動物的視覺系統(tǒng)是理想的研究對象，但畢竟難度較大，而且視覺系統(tǒng)對小鼠來說仍然是重要的感知輸入途徑，仍然有測量意義。

作者們根據(jù)測量到的信號計(jì)算信噪比，對重復(fù)實(shí)驗(yàn)中采集到的信號進(jìn)行平均處理，以及根據(jù)圖像-測量信號對設(shè)計(jì)了一個(gè)降噪模型，最終對原始測量數(shù)據(jù)進(jìn)行了有效的降噪，得到可靠的神經(jīng)信號特征以便后續(xù)實(shí)驗(yàn)使用。然后，作者們在降噪后的數(shù)據(jù)上建立了 5000x5000 的相似性矩陣，并把它作為正則化 CNN 網(wǎng)絡(luò)的目標(biāo)。

相似性矩陣：圖中的點(diǎn)表示橫坐標(biāo)對應(yīng)的圖像和縱坐標(biāo)對應(yīng)的圖像讓小鼠產(chǎn)生的神經(jīng)信號的詳細(xì)程度，淺色的點(diǎn)表示相似程度較高，也就是在生物視覺系統(tǒng)看來它們是更相似的兩張圖像；深色的點(diǎn)表示相似程度較低

CNN 訓(xùn)練

作者們選用了一個(gè) 18 層的 ResNet 模型作為要模仿小鼠的 CNN 模型主干，要讓它在學(xué)習(xí)圖像分類任務(wù)的同時(shí)，模仿小鼠視覺系統(tǒng)的激活模式。

典型的 CNN 分類任務(wù)訓(xùn)練中，要優(yōu)化的損失只有一項(xiàng)任務(wù)損失，比如交叉熵?fù)p失。為了讓 CNN 模仿小鼠，作者們增加了一項(xiàng)相似性損失。具體的工作模式是：

• 網(wǎng)絡(luò)可以接收一張或者兩張圖像作為輸入
  

• 如果輸入是單張圖像，模型會通過額外的一層全連接層輸出類別分類結(jié)果 —— 計(jì)算交叉熵?fù)p失

• 如果輸入是兩張（一組）圖像，模型會分別計(jì)算兩張圖像激活的卷積特征，然后計(jì)算第 1、5、9、13、17 層中的激活特征的相似性。作者們通過一個(gè)正則化帶權(quán)重加合器計(jì)算一個(gè)最終的相似性結(jié)果，然后和小鼠上測量的信號相似性比較，計(jì)算相似性損失，從而引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)小鼠的神經(jīng)信號模式。

這樣，作者們就通過正則化的方式，讓原始的 CNN 模型學(xué)習(xí)到和生物視覺系統(tǒng)更為相近的視覺表征。

實(shí)驗(yàn)結(jié)果

在結(jié)果對比部分，作者們首先把帶有相似性損失訓(xùn)練的「生物視覺 CNN」（基于 ResNet18）和正常訓(xùn)練的幾個(gè)模型做對比，而且是在轉(zhuǎn)換為灰度的 CIFAR 圖像上進(jìn)行測試。完全沒有額外正則化的 ResNet18 對于沒有添加噪聲的圖像取得了最高的識別準(zhǔn)確率，但隨著添加噪聲，準(zhǔn)確率迅速下降；在測試中的最高噪聲下，「生物視覺 CNN」的準(zhǔn)確率仍然有 50%，遠(yuǎn)高于其他的模型；也就是說模型魯棒性得到了顯著提升。

作為對照試驗(yàn)，作者們也測試了不同程度的「模仿生物視覺」，比如用隨機(jī)的相似性矩陣做正則化，以及用 VGG19 的 conv3-1 層的相似性矩陣做正則化，表現(xiàn)仍然不如「生物視覺 CNN」，但利用了 VGG19 的層的是最相似的。

另外還有一組對照實(shí)驗(yàn)是，作者們用未經(jīng)過降噪的小鼠神經(jīng)信號測量數(shù)據(jù)直接做正則化，發(fā)現(xiàn)模型魯棒性的提升很小；作者們認(rèn)為原因是原始神經(jīng)信號有高度變化/隨機(jī)性，這說明了降噪步驟的重要性。

在包含了多種對抗性攻擊方法的對抗性圖像識別測試中，「生物視覺 CNN」的表現(xiàn)也遠(yuǎn)好于其他的模型。

結(jié)論和討論

我們常說神經(jīng)科學(xué)可以為機(jī)器學(xué)習(xí)帶來啟發(fā)，但是我們一直缺少能讓神經(jīng)生理學(xué)的研究成果直接轉(zhuǎn)化成人工神經(jīng)網(wǎng)絡(luò)的方法。在這篇論文中，作者們展示了一種利用神經(jīng)信號測量數(shù)據(jù)的正則化方法，它能給神經(jīng)網(wǎng)絡(luò)模型增加偏倚，讓模型學(xué)習(xí)到的表征和小鼠大腦（生物視覺系統(tǒng)）的視覺表征更為相近，提高網(wǎng)絡(luò)在推理任務(wù)中的魯棒性。作者們認(rèn)為，未來如果能讓人工神經(jīng)網(wǎng)絡(luò)的視覺表征和生物視覺系統(tǒng)中 V1 以上的視覺皮層之間的相似性進(jìn)一步提高的話，模型的魯棒性、泛化性表現(xiàn)也能跟著繼續(xù)提高。這些從生物大腦實(shí)際模仿學(xué)習(xí)到的表征有可能能夠幫助機(jī)器學(xué)習(xí)算法的表現(xiàn)更接近人類視覺系統(tǒng)的表現(xiàn)。

針對方法，作者們使用的表征相似性方法是一種較為通用的方法，他們的原始信號降噪方法也幫助改進(jìn)了生物視覺表征的評估（把視覺相關(guān)的信號進(jìn)行解耦，以及把單獨(dú)出現(xiàn)的神經(jīng)信號轉(zhuǎn)換為可靠的、降噪后的神經(jīng)信號）。還有一種讓 CNN 模型模仿生物神經(jīng)表征的方法是，在訓(xùn)練執(zhí)行任務(wù)的 CNN 模型時(shí)，從網(wǎng)絡(luò)的中間層上聯(lián)合訓(xùn)練一個(gè)線性讀出器，讓它直接從圖像特征預(yù)測生物神經(jīng)響應(yīng)。不過，作者們認(rèn)為他們選用的方法有更高的限制以及引導(dǎo)力度，因?yàn)?CNN 中有大量的仿形變換都可以被線性讀出器補(bǔ)償，在提高預(yù)測神經(jīng)響應(yīng)的準(zhǔn)確率的同時(shí)，對 CNN 學(xué)習(xí)到的表征的影響卻很小。

在這篇論文中作者們主要測量了「生物視覺 CNN」的魯棒性，但顯然，這個(gè)方向的研究的長遠(yuǎn)目標(biāo)是利用模仿生物視覺的視覺表征，在領(lǐng)域遷移、小樣本學(xué)習(xí)等等更多方面都帶來改進(jìn)。作者們未來也會在視覺系統(tǒng)的其它表現(xiàn)、以及更多的相似性限制方面做更多的探索。

另外，雖然方法設(shè)計(jì)以及實(shí)驗(yàn)結(jié)果表明模仿生物視覺特征能帶來改進(jìn)，但具體學(xué)習(xí)到了生物視覺表征的哪個(gè)方面還是一個(gè)有待探究的問題，這也是這項(xiàng)研究背后最值得做深入探究的問題。如果能夠弄清具體的影響原理，可以不再借助大規(guī)模神經(jīng)信號采集實(shí)驗(yàn)，而直接根據(jù)這些原理設(shè)計(jì)以及訓(xùn)練機(jī)器學(xué)習(xí)模型 —— 這也就是這條研究路線的至高目標(biāo)。

閱讀論文原文：https://arxiv.org/abs/1911.05072

雷鋒網(wǎng) AI 科技評論報(bào)道

相關(guān)文章：

離「腦機(jī)接口」再近一步，日本研究員根據(jù)大腦 fMRI 重建看到的圖像

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。