[[399013]]

學過人類照片和魚類照片的 AI，第一次見到美人魚的照片會作何反應？人臉和魚身它都很熟悉，但它無法想象一個從沒見過的事物。近期，阿里巴巴達摩院將因果推理方法引入計算機視覺領域，嘗試克服機器學習方法的缺陷，讓 AI 想象從未見過的事物，相關論文已被計算機視覺頂會 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（CV，Computer Vision）是研究如何讓機器「看」的科學，通過將非結構化的圖像和視頻數據進行結構化的特征表達，讓 AI 理解視覺信息。深度學習出現后，AI 在 CV 領域的很多任務上表現出了超越人類的能力。不過，比起人類的視覺理解能力，AI 仍是非常「低維」的存在。

通過人和魚的形象來想象美人魚，對人來說輕而易舉，AI 卻極有可能把美人魚胡亂歸入「人」或「魚」中的一類。因為它們缺乏「想象」這一高級別認知能力。現階段的機器學習技術本質是通過觀測數據進行擬合，這導致 AI 只認得學過的事物，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、因果關系演算法創立者朱迪 · 珀爾認為，人類的想象能力源于我們自帶因果推理技能的大腦。人類善問「為什么」，也就是尋求事物的因果關系。借助這套認知系統，我們用「小數據」就能處理現實世界無限的「大任務」。而 AI 卻只能用「大數據」來處理「小任務」，如果 AI 能夠學會因果推理，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了研究者，其與機器學習的結合日益受到關注。在工業界，達摩院城市大腦實驗室最早將因果推理方法引入 CV 領域，用因果推理模型賦能機器學習模型，讓視覺 AI 更智能。今年，該團隊與南洋理工大學合作了《反事實的零次和開集識別》（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 未見過類別的樣本，綠色是 AI 對未見過類別的想象。

零次學習是指讓機器分類沒見過的對象類別，開集識別要求讓機器把沒見過的對象類別標成「不認識」，兩個任務都依賴想象能力。《反事實的零次和開集識別》提出了一種基于反事實的算法框架，通過解耦樣本特征（比如對象的姿勢）和類別特征（比如是否有羽毛），再基于樣本特征進行反事實生成。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 認知智能的進化剛剛開始，業界的探索仍處在早期階段，今后他們將不斷提升和優化相關算法。

城市大腦實驗室介紹稱，數據驅動的機器學習模型普遍面臨數據不均衡問題，「以城市為例，它的信息呈長尾分布，相比海量的正常信息，交通事故、車輛違規、突發災害等異常信息的發生概率很小，樣本稀少，盡管可以通過大量增加少見樣本的辦法來部分解決問題，但這么做成本高、效率低。」

基于自研算法，只需使用正常信息樣本，就能讓 AI 獲得無偏見的異常檢測結果。一旦出現緊急情況，比如某輛車和某個行人發生異常交互，城市大腦不必不懂裝懂或視而不見，而是可以實時識別和反饋信息。」未來，這一技術有望應用于城市基礎視覺算法體系優化、極少樣本城市異常事件感知能力優化乃至多模態語義搜索、智能圖文生成等領域。

CVPR 是計算機視覺領域三大頂會之一，CVPR 2021 會議將于 6 月 19 日至 25 日在線舉行。今年大會收錄論文 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，《反事實的零次和開集識別》論文一作岳中琪對他們的論文進行了解析。

《反事實的零次和開集識別》論文解析

現有的零次學習和開集識別中，見過和未見過類別間識別率嚴重失衡，我們發現這種失衡是由于對未見過類別樣本失真的想象。由此，我們提出了一種反事實框架，通過基于樣本特征的反事實生成保真，在各個評估數據集下取得了穩定的提升。這項工作的主要優勢在于：

我們提出的 GCM-CF 是一個見過 / 未見過類別的二元分類器，二元分類后可以適用任何監督學習（在見過類別上）和零次學習算法（在未見過類別上）；

我們提出的反事實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現的兩組概念間解耦的算法

接下來我會具體介紹我們針對的任務、提出的框架和對應的算法。

零次學習和開集識別

很多人都認識羚羊和貘這兩種動物（如上圖所示），那么一個鼻子像貘的羚羊長什么樣呢？可能大家能想象出一個類似于圖右的動物（它叫高鼻羚羊）。在上面的過程中，我們就是在做零次學習(Zero-Shot Learning, ZSL)：雖然我們沒見過高鼻羚羊，但是通過現有的關于羚羊和貘的知識，我們就能想象出來這個未見類別的樣子，相當于認識了這個動物。事實上，這種將已有知識泛化到未見事物上的能力，正是人能夠快速學習的一個重要原因。

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

在機器學習當中，這兩個任務的定義如上圖所示。零次學習訓練集提供類別集合 S。對于上面的圖片，除了每張圖片的類別標簽，每個類別還額外有一個屬性特征 (attribute) 來描述這個類的特點（比如有翅膀，圓臉等等）。測試的時候有兩種設定：在 Conventional ZSL 下全部是未見類別 U 中的圖片（S∩U=∅），并且測試的時候也會給定 U 類別的 dense label。而在 Generalized ZSL 中，測試集會有 S 和 U 中的圖片。開集識別的訓練集則和普通的監督學習沒有差別，只是在測試的時候會有訓練未見過類別的樣本。分類器除了正確識別見過的類，還要將未見過的類標成「未知」。

現有的 ZSL 和 OSR 的主要方法是基于生成的，比如 ZSL 中用未見類別的屬性特征生成圖片，然后在 image space 中進行比較。然而，生成模型會自然地偏向見過的訓練集，使得對于未見類別的想象失真了（這其實是因為屬性特征的 entanglement，這里我不詳細展開，大家可以參考一下論文）。比如訓練的時候見過大象的長鼻子，而去想象沒見過的貘的長鼻子的時候，就會想象成大象的鼻子。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 的未見過類別的樣本，綠色是現有方法對未見過類別的想象，這些想象已經脫離了樣本空間，既不像見過的類，也不像沒見過的類（綠色的點偏離了藍色和紅色的點）。這就解釋了為什么見過和未見過類別的識別率會失衡了：用綠色和紅色樣本學習的分類器（黑色虛線）犧牲了未見過類的 recall 來提高見過類的 recall。

反事實生成框架

那么如何在想像的時候保真？我們來思考一下人是怎么想像的：在想像一個古代生物的樣子時，我們會基于它的化石骨架（圖左）；在想象動畫世界的一個場景時，我們會參考現實世界（圖右）。這些想象的本質其實是一種反事實推理（counterfactual inference），給定這樣的化石（fact），如果它還活著（counterfact），會是什么樣子呢？給定現實世界的某個場景，如果這個場景到了動畫世界，它是什么樣子呢？我們的想象，通過建立在 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 當中利用反事實產生合理的想象呢？我們首先為這兩個任務構建了一個基于因果的生成模型 Generative Causal Model (GCM)，我們假設觀測到的圖片 X 是由樣本特征 Z（和類別無關，比如物體的 pose 等）和類別特征 Y（比如有羽毛，圓臉等）生成的。現有的基于生成的方法其實在學習 P(X|Z,Y)，然后把 Y 的值設為某個類的特征（比如 ZSL 中的 dense label），把 Z 設成高斯噪聲，就可以生成很多這個類的樣本了。

反事實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）來進行生成，而非高斯噪聲。具體過程如上圖所示，對于一個圖片 x，我們通過 encoder z(⋅)拿到這個圖片的樣本特征 Z=z(x)（比如 front-view，walking 等），基于這個樣本特征 Z（fact）和不同的類別特征 Y（counterfact），我們可以生成不同類別的反事實圖片 x ̃（front-view,walking 的貓，羊和雞等等）。直覺上我們知道，因為反事實生成的貓、羊和雞的圖片和 x 不像，x 肯定不屬于這三個類別。這種直覺其實是有理論支持的 --- 叫做反事實一致性（Counterfactual Consistency Rule），通俗的解釋就是 counterfact 和 fact 重合時，得到的結果就是 factual 的結果，比如 fact 是昨天吃冰淇凌拉肚子，那么反事實問題「如果我昨天吃冰淇凌會怎么樣呢？」的答案就是拉肚子。那么如何通過 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，它本質上是一個基于 consistency rule 的二元分類器，去判斷某個樣本是屬于見過還是沒見過的類。

訓練的時候我們學習一個 GCM。測試的時候，對于每個樣本 X=x，我們用上一節介紹的步驟進行反事實生成：用這個樣本自己的 Z=z(x)，拼上不同的類別特征 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 是屬于見過的還是沒見過的類。

具體到任務中，在 ZSL 里面，我們用未見過類別的 attribute（圖中 Y_U）生成反事實樣本，然后用訓練集的樣本（見過的類）和生成的樣本（未見過的類）訓練一個線性分類器，對輸入樣本 X=x 進行分類后，我們取見過類和未見過類概率的 top-K 的平均值。如果未見過類上的平均值較小，我們就認為樣本 X=x 不像未見過的類（not consistent），把這個樣本標注成屬于見過的類，并使用在見過類的樣本上面監督學習的分類器來分類（這其實是基于 consistency rule 的換質位推理，具體見論文）；反之如果 consistent，就標注為為見過的類，然后用任何 Conventional ZSL 的算法對其分類。在 OSR 里面，因為沒有未見類別的信息，我們用見過類的 one-hot label（圖中 Y_S）作為 Y 生成反事實樣本，如果 x 和生成的樣本在歐式距離下都很遠（not consistent），就認為 x 屬于未見過的類，并標為「未知」，反之則用監督學習的分類器即可。

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。這個性質可以由 Counterfactual Faithfulness Theorem 來保證，簡單來說就是：保真生成的充要條件是樣本特征和類別特征之間解耦（disentangle）。我們通過三個 loss 實現：

β-VAE loss：這個 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 出來的 Z 要非常符合 isotropic Gaussian 分布。這樣通過使 Z 的分布和 Y 無關實現解耦；

Contrastive loss：反事實生成的樣本中，x 只和自己類別特征生成的樣本像，和其他類別特征生成的樣本都遠。這個避免了生成模型只用 Z 里面的信息進行生成而忽略了 Y，從而進一步把 Y 的信息從 Z 里解耦；

GAN loss：這個 loss 直接要求反事實生成的樣本被 discriminator 認為是真實的，通過充要條件，用保真來進一步解耦。

實驗

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

減輕見過和未見過類別識別率的失衡

下面的 tsne 顯示了反事實生成的結果，可以看到通過 condition 樣本特征（藍星是未見類的樣本，紅星是見過的），生成的未見類別的樣本確實保真了（在藍點中間），得到的 decision boundary（黑線）也 balanced 了。這在 ZSL 的 4 個常用數據集上也體現了出來，我們的方法大幅提高了未見類別 (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。現有的方法其實也有一個簡單的解決失衡的辦法，就是直接調整見過類別的 logits，通過改變調整的幅度，我們可以得到一個見過類別和未見過類別的曲線，可以看到我們的方法（紅線）在各個調整幅度下都更高，說明它能從根本上減輕失衡，這是簡單的調整所不能完成的。

強大的見過 / 未見過類別的分類器

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，和三個基于不同生成網絡的 generation-based 的方法，發現加上我們的方法都獲得了提高，并且超過了用現在 SOTA 的 TF-VAEGAN 作為見過 / 未見過的分類器的表現。

強大的開集分類器

我們在常用的幾個數據集上做了開集識別的實驗（用的 F1 指標），并取得了 SOTA 的表現。因為開集識別中未見過類別的數量是未知的，所以好的分類器必須在數量少和多的情況下都好。在右圖中我們畫了 F1 分數和未見過類別的數量（從少到多）的曲線，我們的方法（藍色）在每個情況下都是最好，并且在未見類別測試中，很多時候（藍色曲線末尾）F1 基本沒有下降，體現了較強的魯棒性。

結語

這篇工作是我們對于解耦表示（disentangled representation）的一點點探究和摸索，把難以實現的所有 factor full disentangle，放寬成為兩組概念（樣本特征和類別特征）之間的 disentangle，并借著 disentangle 帶來的 faithfulness 性質，使我們提出的反事實生成框架變為可能。這也從一個側面反映了解耦是因果推理的一個重要的前提，當不同的概念被區分開（比如解耦的表示）時，我們就可以基于它們之間的因果關系進行推理，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和質疑。確實，目前就連解耦的定義都沒有定論，更不要說方法、evaluation 等等了。但這些困難也是可預見的：解耦在幫助機器跨越一個層級，從學習觀測到的數據中的規律，到探究這些數據產生的原因 --- 就像人知道太陽每天會升起的規律是容易的，但明白為什么太陽會升起卻花了幾千年。這里也鼓勵大家多多關注、探索解耦這個領域，說不定帶來下一個突破的就是你啊。