<mark id="oztn4"></mark>
0
“能量自監督學習到底是什么鬼？”不少Reddit網友評論說。
剛剛，深度學習教父Yann LeCu登上了Reddit熱搜。一位不知名的開發者發表了一篇題為“Yann LeCun提出基于能量的自監督學習到底是什么”的帖子，引發眾多網友討論。
討論的焦點之一是，基于能量的自監督學習模型能做什么？有什么優勢或意義？
這位開發者剛剛看完LeCun最新的主題演講，他說，Yann LeCun似乎是在建議訓練一個有條件的潛在變量模型，它可以根據輸入和潛在變量預測輸出（類似于pix2pix GAN或VAE）；同時，它也可以處理圖像、視頻或者音頻等不同類型。
但有關優化生成模型的方法有很多，比如OpenAI通過iGPT預訓練預測缺失像素，采用“對比預測編碼法”，通過對比損失來進行丟失信息預測。這些方法在實際應用中均取得不錯的成果。
相比之下，基于能量的自監督學習好像并沒有特別之處，也沒有相關的成功應用案例。
Reddit上，超過95%的網友對這一觀點表示了贊同。
另外，還有一位網友透露，最近3-4年很多專家都對它很著迷，他們認為基于能量的模型是深度學習的『未來』。
那么，代表ML未來的『能量模型』到底是什么？
Yann LeCun，是2018年圖靈獎得主之一，與Geoffrey Hinton 和 Yoshua Bengio二人被合稱為深度學習三巨頭。同時，他自己也被稱為“CNN之父”。
LeCun在在業界和學術界頗具影響力。目前，他在Facebook公司擔任人工智能研究院院長一職，同時也在紐約大學、Courant 數學科學研究所、神經科學中心和電氣與計算機工程系等擔任要職。
2019年11月，LeCun代表Facebook參加了《Using Physical Insights for Machine Learning》主題研討會，并發表了名為《基于能量的自監督學習（Energy-Based Self-Supervised Learning）》的主題演講。
在這篇演講中，LeCun詳細介紹了基于能量的學習方法在解決現有挑戰方面的可能性。
近幾年，深度學習在計算機感知、自然語言理解和控制方面取得了重大進展。但這些成功在很大程度上都依賴于監督學習或無模型強化學習。其中，監督學習是從標記的訓練數據來推斷一個功能的機器學習任務。強化學習分為有模型和無模型兩種策略，前者區別與后者的特點是，有模型的方法主要學習前向狀態轉移模型p(st+1|st,at)，而無模型方法則不是。
從現有研究來看，無論是監督學習，還是無模型強化學習都存在明顯的局限性。前者需要人類提供大量數據標簽，后者需要機器學習動作回報最大化。
也就是說，監督學習只適用于特定任務，即使是學習簡單的任務；強化學習也需要與環境進行大量的交互。例如，它在游戲和仿真工作中十分有效，但在現實世界很難奏效。
但如果存在一款模型能夠像人類或動物那樣，只需要少量觀察和互動就能學習大量與任務無關的知識，那么這些現實困境就可以被很好的解決。而這款模型必須依靠自監督學習（Self-Supervised Learning，簡稱SSL）方法。
LeCun認為，SSL是深度學習的『未來』，基于能量的SSL可以在回避概率的同時處理不確定性。以下是基于能量的SSL模型：
標量值能量函數F（x，y）可以被測量，包括：
測量x和y之間的兼容性。
低能量：y是x的最佳預測
高能量：y是x的最差預測
同時，它也有無條件的模型版本。
在訓練方面，首先將能量函數參數化，在獲取訓練數據，最后計算出新Shape。這個過程通常有兩種方法，一是對比法（Contrastive Methods），二是建構法（Architectural Methods）。
其中對比法涉及三種策略：
C1：數據點能量下推，其它位置上推：最大似然（Max likelihood）。
C2：數據點能量下推，選擇位置上推：最大似然和MC/MMC/HMC，對比散度，度量學習，噪聲對比估計，比率匹配，噪聲對比估計，最小概率流，對抗生成器GAN
C3：訓練一個函數，將數據流形上的點映射到數據流形上的點：去噪自動編碼器，屏蔽自動編碼器（如BERT）
建構法涉及三種策略：
A1：建立機器使低能量物質的體積有界：PCA，K-均值，高斯混合模型，平方ICA。
A2：使用正則化項來度量具有低能量的空間體積：稀疏編碼、稀疏自動編碼器、LISTA、變分自動編碼器
A3：F（x，y）=C（y，G（x，y）），使G（x，y）相對于y盡可能“恒定”：收縮自動編碼器，飽和自動編碼器。
A4：最小化梯度，最大化數據點周圍的曲率：分數匹配
在此基礎上，LeCun還演示了關于視頻預測的應用實例。他表示，無監督學習會成為未來的主流，能解決我們的學習系統難以處理的眾多問題，研究無監督和預測性前向模型（predictive forward model）的建立，也會是接下來幾年的挑戰。
（文末獲取LeCun完整PPT內容）
實際上，LeCun的能量SSL理論還處在“ppt階段”。
目前還未有大量的成功應用案例，而他在PPT中也僅演示了自動駕駛預測視頻的結果。一位網友表示，他曾利用能量SSL模型做過一項測試。
如上文所述，在能量函數F（x，y）最小化上，LeCun提供了兩種訓練方法：對比法和和建構法。但在這個過程中，他認為有多個不合理之處。比如：自動編碼器的潛在變量在哪里？按構造，有沒有事先分配樣本的潛在權利？
如果訓練的每一個SSL模型都可以解釋為基于潛在變量的能量模型，這可能是不正確的。如果拋開潛在變量，認為每個模型都是基于能量的模型，可以勉強接受，但這還有什么意義呢？
它僅僅能夠作為一種解釋性理論，似乎并不具備應用的價值。
還有一位網友表示，LeCun所作的可能是一項“基礎性研究”，就像Hinton研究膠囊網絡（CapsulesNet）一樣。基礎性研究成功的可能性很低，通常是其他人在此研究之上開創應用。
另一位網友表示，Yann基于能量的學習方法確實啟發了基于深層能量的強化學習（RL）研究，軟演員-評論家（Soft Actor-Critic，SAC）模型已經在多個RL基準上實現了SOTA。
那么，你同意這位網友的看法嗎？你認為『能量模型』的價值在哪里？
相關鏈接：
PPT文件：http://helper.ipam.ucla.edu/publications/mlpws4/mlpws4_15927.pdf
演講視頻：https://www.youtube.com/watch?v=A7AnCvYDQrU&feature=youtu.be&t=2169
https://www.reddit.com/r/MachineLearning/comments/kc8ruw/d_what_exactly_is_yann_lecuns_energy_based/
雷鋒網雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
