用物理学和域知识训练“无标注样本的”神经网络( Outstanding Paper Award 优秀论文奖)
2017的优秀论文奖:Label-Free Supervision of Neural Networks with Physics and Domain Knowledge。
这篇论文可以运用到自动驾驶中,因为自动驾驶的环境有太多无样本标注的情况出现,没有人能对所有突发路况都事先了如指掌。这就是本论文最大应用价值之一。
借助高级的先验,进行无样本标注的训练,至少有两点好处:
- 省去了人工标注样本的人工成本。
- 高级的先验,可以在许多神经网络中复用,用来预训练。大大提高复用性和泛函能力。
这里的高级先验,可以是牛顿第二定律,也可以是万有引力公式等等(这是所谓的物理域。当然也可以有化学反应的域,天体运动域等等专业领域)。
所以论文的思路很简单:仅仅用这些公式就可以对视频中物体运动做预测了(虽然预测不是那么准确,但是,至少比没有预训练好多了,也比用人力去辛苦标注好多了)。
来看看如何做预训练(文章中叫“约束训练”(Constraint learning)):
我们的目标是训练神经网络f , 但是因为样本标签Y未知,我们用高级的先验 g 去约束Y的域值,比如,如果你在视频中抛一个物体,我们知道它应该符合牛顿第二定律,即,成抛物线的轨迹。所以在训练f 时,用先验g去约束f的训练,就能做到预训练。
所以,传统的有标注样本的训练是这样的:
而无标注样本的训练是这样的:
我们用高级先验g 约束神经网络f的训练,构造一个损失函数,同时给f一个正则项R,允许f 有一定的偏差和泛函能力。
有意思的是,这篇论文的大半篇幅用在了实验上(文章覆盖了3个典型实验),可见,评委会对文章的工业价值还是比较看重的。
第一个实验就是向上丢枕头的抛压运动实验了,它证明了仅仅加入物理公式的先验,就可以训练神经网络预测物体运动轨迹信息:
训练时,损失函数就是加入高级先验的损失函数:
其中:
正是用牛顿第二定律预判抛物线轨迹。
另一个实验,是预测视频中行人的行走轨迹:
使用一般的约束先验,就能达到很好的预测真实运动的效果,甚至比直接使用有标注样本训练有更好的泛化能力。作者认为如果使用全标注样本来训练,神经网络很容易过拟合。而使用无标注的样本训练,加入一个约束就会在整体上有效,如这个损失函数:
其中
表示限制在10mm范围内的运动。
最后一个实验,是预测图像出现的:
如果公主(金发)出现,那么马里奥也会出现, 但反之不然。橘黄和绿色的小怪兽随机出现。系统训练这种高级先验, 用来判断图片中有没有公主或者马里奥。第一列显示了样例图片。第二列和第三列分别显示对于公主和马里奥出现位置的预测。
此实验证明,一些约束的组合可以帮助更好地“无标注样本”地做出预测。
并且作者无标注样本的神经网络同样可以运用在离散的问题中(而不仅仅是视频)。
参考文献:
- http://www.aaai.org/Conferences/AAAI/2017/aaai17program.pdf
- Label-Free Supervision of Neural Networks with Physics and Domain Knowledge
- http://baike.baidu.com/item/AAAI/13827607
- 国际顶级人工智能会议AAAI 2017 开幕在即,雷锋网奉上四大看点集锦 | AAAI 2017
- AI会议的总结(by南大周志华)
用物理学和域知识训练“无标注样本的”神经网络( Outstanding Paper Award 优秀论文奖)相关推荐
- 读论文:基于自监督知识的无监督新集域适应学习
标题: 基于自监督知识的无监督新集域适应学习 作者: 汪云云 , 孙顾威 , 赵国祥 , 薛晖 文章目录 ==Abstract== ==Introduction== ==综述== 一.相关工作 1.1 ...
- 无标注数据是鸡肋还是宝藏?阿里工程师这样用它
阿里妹导读:针对业务场景中标注数据不足.大量的无标注数据又难以有效利用的问题,我们提出了一种面向行为序列数据的深度学习风控算法 Auto Risk,提出通过代理任务从无标注数据中学习通用的特征表示.这 ...
- 无标注数据是鸡肋还是宝藏?阿里工程师这样用它
阿里妹导读:针对业务场景中标注数据不足.大量的无标注数据又难以有效利用的问题,我们提出了一种面向行为序列数据的深度学习风控算法 Auto Risk,提出通过代理任务从无标注数据中学习通用的特征表示.这 ...
- 新思路!商汤开源利用无标注数据大幅提高精度的人脸识别算法
出处"来自微信公众号:我爱计算机视觉" 新思路!商汤开源利用无标注数据大幅提高精度的人脸识别算法 这篇论文解决的问题与现实中的人脸识别应用场景密切相关,其假设已经有了少量已经标注的 ...
- 使用PaddleFluid和TensorFlow训练序列标注模型
专栏介绍:Paddle Fluid 是用来让用户像 PyTorch 和 Tensorflow Eager Execution 一样执行程序.在这些系统中,不再有模型这个概念,应用也不再包含一个用于描述 ...
- [Tensorflow2] 梯度反转层(GRL)与域对抗训练神经网络(DANN)的实现
文章目录 概述 原理回顾 (可跳过) GRL 层实现 使用 GRL 的域对抗(DANN)模型实现 DANN 的使用案例 !!! 后记 概述 域对抗训练(Domain-Adversarial Train ...
- 《预训练周刊》第51期:无重构预训练、零样本自动微调、一键调用OPT
No.51 智源社区 预训练组 预 训 练 研究 观点 资源 活动 周刊订阅 告诉大家一个好消息,<预训练周刊>已经开启"订阅功能",以后我们会向您自动推送最新版的&l ...
- 【自然语言处理】【知识图谱】SEU:无监督、非神经网络实体对齐超越有监督图神经网络?
SEU:从对齐到分配----简单有效的无监督实体对齐 <From Alignment to Assignment:Frustratingly Simple Unsupervised Entity ...
- 训练softmax分类器实例_知识蒸馏:如何用一个神经网络训练另一个神经网络
作者:Tivadar Danka 编译:ronghuaiyang 原文链接 知识蒸馏:如何用一个神经网络训练另一个神经网络mp.weixin.qq.com 导读 知识蒸馏的简单介绍,让大家了解知识蒸 ...
最新文章
- centos压缩和解压缩
- 解决Ubuntu刚装好的时候su命令密码错误的问题
- 自动驾驶—全局定位的学习笔记
- Linux Enterprise Cluster选译
- Spark 广播变量BroadCast
- List of USB ID's
- 2018HN省队集训
- **总结装系统时安装成功后无网卡解决方法**
- 互联网行业的常用黑话,你知道几条?
- 联想台式机快捷键(F1~F12)取消按Fn,设置为标准功能键
- android 网络 adb,Android设备通过网络adb 调试
- 极简桌面 android 2.3,低端 Android 备机的轻量级启动器:极简光速桌面
- 南清北复交北航哈工大中科院华科保研记
- dw2017不显示动画_10个创建2017年动画视频的最佳工具
- CRM-客户关系管理(Customer Relationship Management)
- scratch编程--游泳的火柴人
- 360搜索结果页html代码,360搜索抓取完全封闭网页揭秘
- 探秘app.asar
- MySQL简介,什么是数据库?
- 写给兄弟连毕业学员的信之年终总结