神经网络“炼丹炉”内部构造长啥样?牛津大学博士小姐姐论文解读
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。 神经网络就像“炼丹炉”一样,投喂大量数据,或许能获得神奇的效果。 “炼丹”成功后,神经网络也能对没见过的数据进行预测了~ 然而,这种情况下,神经网络其实成了“黑匣子”——具有一定的功能,但看不见是怎么起作用的。 如果只做简单的图像分类,其实还好;但如果用在医学方向,对疾病进行预测,那么神经网络下的“判断”就不可轻信。 如果能了解它是怎么工作的,就更好了。 出于这种考虑,来自牛津大学的博士生Oana-Maria Camburu撰写了毕业论文《解释神经网络 (Explaining Deep Neural Networks)》。 在这篇论文中,她将这些“黑匣子”一个个打开,对神经网络原理进行了详细的解释。 为什么要打开神经网络“黑匣子”? 事实上,神经网络之所以起作用,最直观的原因就是,它由大量非线性函数组成。 这些非线性函数,使得网络可以学习原始数据中各种抽象级特征。 然而,也正是因为神经网络中的这些非线性函数,使得人类往往难以理解,它们是如何起作用的。 这就导致神经网络在疾病预测、信用额度、刑法等方向上“不太受欢迎”。 医生和法律相关的研究者往往更乐意采用可解释模型,例如线性回归、决策树,因为神经网络在疾病预测中的确出过问题: 人们利用神经网络预测肺炎患者的病情发展,其中一项患者特征为是否有哮喘病史。 神经网络经过训练后预测,有哮喘病史的患者死于肺炎的可能性较低。 但其实结果恰好相反,哮喘本身会给肺炎带来雪上加霜的效果。 之所以数据表明哮喘患者较少死于肺炎,往往是因为哮喘能被及早发现,所以患者得肺炎后能被及早治疗。 如果这种神经网络被应用于实践中,将会带来非常危险的结果。 此外,即使是神经网络,也会对男女性别产生刻板印象、产生种族偏见。 例如,调查表明,有些语料库和模型,在预测再犯时,会更“偏爱”男性。 除了错误的预测和种族、性别歧视以外,神经网络还很脆弱。 无论是对图像进行小改动欺骗分类算法、还是用语音识别瞒过NLP模型,神经网络被“爆雷”的情况也不少。 为了让神经网络应用于更多的方向,也为了让我们更好地学习它的原理,作者从两个方向对神经网络进行了解释。 2种方法解释神经网络 “事后再解释” 第一种方法,称之为基于特征的解释方法,又叫“事后再解释”——因为这种方法,是在神经网络训练好后,才对其输入特征进行解释的。 这种方法针对文本的词(token)、或是针对图像的超像素(super pixels),进行“事后”解释。 目前这种方法应用较为普遍,不容易出现解释偏见,但需要验证解释方法的真实性。 这里的根本原理,是研究外部解释方法给出的解释、与模型本身生成的自然语言解释之间,是否存在相关性,而相关性具体又是什么。 在论文中,作者引入了一种新的验证方法,来判断解释方法的真实性。 让神经网络自己解释 那么,如果能让神经网络一边训练、一边“解释自己”呢? 这是论文提到的第二种方法,即在模型中植入一个生成预测解释的模块,对预测的结果进行解释。 至于神经网络对自己的解释是否正确,还需要人为进行判断。 在这里面,作者同样引入了一种判断方法,对模型自己生成的解释进行判断,从而得出神经网络解释的结果。 对神经网络详细结构、具体解释方法感兴趣的小伙伴,可以戳下方论文地址查看~ 作者介绍 Oana-Maria Camburu,来自罗马尼亚,目前是牛津大学的博士生,主修机器学习、人工智能等方向。 高中时期,Oana-Maria Camburu曾获IMO(国际奥数竞赛)银牌。她曾经在马普所、谷歌实习,读博期间,论文被ACL、EMNLP、IJCNLP等顶会收录。
(编辑:开发网_开封站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |