自我学习

From Ufldl

Jump to: navigation, search

Contents

综述

如果已经有一个足够强大的机器学习算法,为了获得更好的性能,最靠谱的方法之一是给这个算法以更多的数据。机器学习界甚至有个说法:“有时候胜出者并非有最好的算法,而是有更多的数据。”


人们总是可以尝试获取更多的已标注数据,但是这样做成本往往很高。例如研究人员已经花了相当的精力在使用类似 AMT(Amazon Mechanical Turk) 这样的工具上,以期获取更大的训练数据集。相比大量研究人员通过手工方式构建特征,用众包的方式让多人手工标数据是一个进步,但是我们可以做得更好。具体的说,如果算法能够从未标注数据中学习,那么我们就可以轻易地获取大量无标注数据,并从中学习。自学习和无监督特征学习就是这种的算法。尽管一个单一的未标注样本蕴含的信息比一个已标注的样本要少,但是如果能获取大量无标注数据(比如从互联网上下载随机的、无标注的图像、音频剪辑或者是文本),并且算法能够有效的利用它们,那么相比大规模的手工构建特征和标数据,算法将会取得更好的性能。


在自学习和无监督特征学习问题上,可以给算法以大量的未标注数据,学习出较好的特征描述。在尝试解决一个具体的分类问题时,可以基于这些学习出的特征描述和任意的(可能比较少的)已标注数据,使用有监督学习方法完成分类。


在一些拥有大量未标注数据和少量的已标注数据的场景中,上述思想可能是最有效的。即使在只有已标注数据的情况下(这时我们通常忽略训练数据的类标号进行特征学习),以上想法也能得到很好的结果。


特征学习

我们已经了解到如何使用一个自编码器(autoencoder)从无标注数据中学习特征。具体来说,假定有一个无标注的训练数据集 \textstyle \{ x_u^{(1)}, x_u^{(2)}, \ldots, x_u^{(m_u)}\}(下标 \textstyle u 代表“不带类标”)。现在用它们训练一个稀疏自编码器(可能需要首先对这些数据做白化或其它适当的预处理)。

STL SparseAE.png


利用训练得到的模型参数 \textstyle W^{(1)}, b^{(1)}, W^{(2)}, b^{(2)},给定任意的输入数据 \textstyle x,可以计算隐藏单元的激活量(activations) \textstyle a。如前所述,相比原始输入 \textstyle x 来说,\textstyle a 可能是一个更好的特征描述。下图的神经网络描述了特征(激活量 \textstyle a)的计算。

STL SparseAE Features.png


这实际上就是之前得到的稀疏自编码器,在这里去掉了最后一层。


假定有大小为 \textstyle m_l 的已标注训练集 \textstyle \{ (x_l^{(1)}, y^{(1)}),
(x_l^{(2)}, y^{(2)}), \ldots (x_l^{(m_l)}, y^{(m_l)}) \}(下标 \textstyle l 表示“带类标”),我们可以为输入数据找到更好的特征描述。例如,可以将 \textstyle x_l^{(1)} 输入到稀疏自编码器,得到隐藏单元激活量 \textstyle a_l^{(1)}。接下来,可以直接使用 \textstyle a_l^{(1)} 来代替原始数据 \textstyle x_l^{(1)} (“替代表示”,Replacement Representation)。也可以合二为一,使用新的向量 \textstyle (x_l^{(1)}, a_l^{(1)}) 来代替原始数据 \textstyle x_l^{(1)} (“级联表示”,Concatenation Representation)。


经过变换后,训练集就变成 \textstyle \{ (a_l^{(1)}, y^{(1)}), (a_l^{(2)}, y^{(2)}), \ldots (a_l^{(m_l)}, y^{(m_l)})
\}或者是\textstyle \{
((x_l^{(1)}, a_l^{(1)}), y^{(1)}), ((x_l^{(2)}, a_l^{(1)}), y^{(2)}), \ldots, 
((x_l^{(m_l)}, a_l^{(1)}), y^{(m_l)}) \}(取决于使用 \textstyle a_l^{(1)} 替换 \textstyle x_l^{(1)} 还是将二者合并)。在实践中,将 \textstyle a_l^{(1)}\textstyle x_l^{(1)} 合并通常表现的更好。但是考虑到内存和计算的成本,也可以使用替换操作。


最终,可以训练出一个有监督学习算法(例如 svm, logistic regression 等),得到一个判别函数对 \textstyle y 值进行预测。预测过程如下:给定一个测试样本 \textstyle x_{\rm test},重复之前的过程,将其送入稀疏自编码器,得到 \textstyle a_{\rm test}。然后将 \textstyle a_{\rm test} (或者 \textstyle (x_{\rm test}, a_{\rm test}) )送入分类器中,得到预测值。


数据预处理

在特征学习阶段,我们从未标注训练集 \textstyle \{ x_u^{(1)}, x_u^{(2)}, \ldots, x_u^{(m_u)}\} 中学习,这一过程中可能计算了各种数据预处理参数。例如计算数据均值并且对数据做均值标准化(mean normalization);或者对原始数据做主成分分析(PCA),然后将原始数据表示为 \textstyle U^Tx (又或者使用 PCA 白化或 ZCA 白化)。这样的话,有必要将这些参数保存起来,并且在后面的训练和测试阶段使用同样的参数,以保证数据进入稀疏自编码神经网络之前经过了同样的变换。例如,如果对未标注数据集进行PCA预处理,就必须将得到的矩阵 \textstyle U 保存起来,并且应用到有标注训练集和测试集上;而不能使用有标注训练集重新估计出一个不同的矩阵 \textstyle U (也不能重新计算均值并做均值标准化),否则的话可能得到一个完全不一致的数据预处理操作,导致进入自编码器的数据分布迥异于训练自编码器时的数据分布。


无监督特征学习的术语

有两种常见的无监督特征学习方式,区别在于你有什么样的未标注数据。自学习(self-taught learning) 是其中更为一般的、更强大的学习方式,它不要求未标注数据  \textstyle x_u 和已标注数据  \textstyle x_l 来自同样的分布。另外一种带限制性的方式也被称为半监督学习,它要求  \textstyle x_u \textstyle x_l 服从同样的分布。下面通过例子解释二者的区别。


假定有一个计算机视觉方面的任务,目标是区分汽车和摩托车图像;也即训练样本里面要么是汽车的图像,要么是摩托车的图像。哪里可以获取大量的未标注数据呢?最简单的方式可能是从互联网上下载一些随机的图像数据集,在这些数据上训练出一个稀疏自编码器,从中得到有用的特征。这个例子里,未标注数据完全来自于一个和已标注数据不同的分布(未标注数据集中,或许其中一些图像包含汽车或者摩托车,但是不是所有的图像都如此)。这种情形被称为自学习。


相反,如果有大量的未标注图像数据,要么是汽车图像,要么是摩托车图像,仅仅是缺失了类标号(没有标注每张图片到底是汽车还是摩托车)。也可以用这些未标注数据来学习特征。这种方式,即要求未标注样本和带标注样本服从相同的分布,有时候被称为半监督学习。在实践中,常常无法找到满足这种要求的未标注数据(到哪里找到一个每张图像不是汽车就是摩托车,只是丢失了类标号的图像数据库?)因此,自学习在无标注数据集的特征学习中应用更广。



中英文对照

自我学习/自学习 self-taught learning
无监督特征学习 unsupervised feature learning
自编码器 autoencoder
白化 whitening
激活量 activation
稀疏自编码器 sparse autoencoder
半监督学习 semi-supervised learning


中文译者

张灵(lingzhang001@outlook.com),晓风(xiaofeng.zhb@alibaba-inc.com),王文中(wangwenzhong@ymail.com)


自我学习 | Exercise:Self-Taught Learning


Language : English

Personal tools