深度学习解释性：从“能”到“不能”

下载 1

爱运动的胖子

发布于

2338

人观看

#信息技术

深度学习解释性：从“能”到“不能”

展开查看详情

1 . ） TC BD （深度学习解释性：会大从“能”到“不能” 术技据数大桑基韬国中北京交通大学计算机科学系 18 20

2 .深度学习应用研究：视觉+语言） TC BD 米歇尔奥巴马故宫彭丽媛实体标注（会大特征提取物体检测语义标注多媒体术问答技据数大多媒体国叙事中描述生成语言 18 20 jtsang@bjtu.edu.cn 2 2

3 .深度学习理论研究: 从“能”到“不能” ） TC BD 米歇尔奥巴马故宫彭丽媛实体标注（会大特征提取物体检测语义标注多媒体术问答技据数大多媒体国叙事中描述生成 18 随着深度学习的应用拓展，从探索深度学习“能” 20 做什么，发展到思考深度学习“不能”做什么。 3 jtsang@bjtu.edu.cn  3

4 .深度学习的“不能”(1) ） TC 算法输出不稳定，容易被“攻击” BD 对抗样本（会大术 “African elephant” “koala” difference 10x difference 技据数大国 one pixel attack 中 18 20 jtsang@bjtu.edu.cn 4 4

5 .深度学习的“不能”(1) ） TC 算法输出不稳定，容易被“攻击” BD （ 75% 会 36% 大 7% 术技据数大国中 18 20 jtsang@bjtu.edu.cn 5 5

6 .深度学习的“不能”(2) ） TC 模型复杂度高，难以纠错和调试 BD （会大术技实际的我们据数大国中 18 20 jtsang@bjtu.edu.cn 6 6

7 .深度学习的“不能”(2) ） TC 模型复杂度高，难以纠错和调试 BD （ “世界末日时钟还差3分钟到12 会点。我们正在经历世界上的人物和戏剧性的发展，这表明我们越大来越接近末日和耶稣的回归。” 术技据数大 Deep Dream 国中恶作剧？ 18 20 《Bible》 jtsang@bjtu.edu.cn 7 7

8 .深度学习的“不能”(3) ） TC 模型层级复合程度高，参数不透明 BD （会大术技据数大国中 18 20 jtsang@bjtu.edu.cn 8 8

9 .深度学习的“不能”(3) ） TC 模型层级复合程度高，参数不透明 BD 第一层：16*3*3*3 第二层：N*16*3*3 （会大术技感受野复合据卷积核复合数大国中 18 inception 残差门结构 20 jtsang@bjtu.edu.cn 9 9

10 .深度学习的“不能”(4) ） TC 端到端训练方式对数据依赖性强，模型增量性差 BD （泛化误差训练误差会 m = #训练样本大 N = effective capacity (模型有效容量) 术上界当样本数据量小的时候，深度学习技 #参数 / VC维 / Rademacher复杂度无法体现强大拟合能力据数游艇大 ? 马人飞盘一群人国草地草地语义标注中农舍 ? 18 跑步山图像描述 20 投掷摔跤关系检测 jtsang@bjtu.edu.cn10 10

11 .深度学习的“不能”(5) ） TC 专注直观感知类问题，对开放性推理问题无能为力 BD （会大术技据数大国中 18 20 jtsang@bjtu.edu.cn11 11

12 .深度学习的“不能”(5) ） TC 专注直观感知类问题，对开放性推理问题无能为力 BD （会大术 “鹦鹉”智能 “乌鸦”智能技据数大国中 18 20 jtsang@bjtu.edu.cn12 12

13 .深度学习的“不能”(5) ） TC 专注直观感知类问题，对开放性推理问题无能为力 BD （会一群大象大民主党术技据奥巴马男人数大大象国中民主党 18 20 jtsang@bjtu.edu.cn13 13

14 .深度学习的“不能”(6) ） TC 人类知识无法有效引入进行监督，机器偏见难以避免 BD （会大术技据数大国中 18 20 jtsang@bjtu.edu.cn14 14

15 .深度学习的“不能”(6) ） TC 人类知识无法有效引入进行监督，机器偏见难以避免 BD （会 Nurse 大 Homemaker 术技据数大国中 18 20 jtsang@bjtu.edu.cn15 15

16 .深度学习的“不能”(6) ） TC 人类知识无法有效引入进行监督，机器偏见难以避免 BD  微软开发了Tay聊天机器人，模仿年轻网民的语言模式。  试用24小时后，被引入歧途，成为偏激的种族主义者，甚至发出了（ “希特勒无罪”的消息。会大术技据数大  美国法院用以评估犯罪风险的算法 COMPAS，被证明对黑人造成了系国统性歧视。中 18 20 算法依赖于大数据，但数据不是中立的：从真实社会中抽取，必然带有社会固有的不平等、排斥性和歧视。 16 jtsang@bjtu.edu.cn 16

17 .深度学习的“不能”(6) ） TC 人类知识无法有效引入进行监督，机器偏见难以避免 BD 阿西莫夫机器人三定律（  机器人不得伤害人类，或会坐视人类受到伤害；大  除非违背第一法则，否则术机器人必须服从人类命技令；  除非违背第一或第二法则，否则机器人必须保护据数自己大国中 18 20 jtsang@bjtu.edu.cn17 17

18 .深度学习的“不能”与解释性） TC 深度学习的“不能” BD （稳定性低会大可调试性差术参数不透明技机器偏见据数大增量性差国中推理能力差 18 20 jtsang@bjtu.edu.cn18 18

19 .深度学习的“不能”与解释性） TC 深度学习的“不能” 解释性的三个层次 BD （稳定性低找 “对症下药” 会得知道哪些特征对输出有重要影到大响，出了问题准确快速纠错可调试性差术参数不透明看技不再“对牛弹琴” 得机器偏见据懂双向：算法能被人的知识体系理解 +利用和结合人类知识数大增量性差留 “站在巨人的肩膀上” 国得知识得到有效存储、积累和复用下中推理能力差  越学越聪明 18 20 jtsang@bjtu.edu.cn19 19

20 .政府关注） TC BD 美国欧盟（中国会 2017年4月，美国国防部先进研究项目局DARPA资助了可解 2017年7月，国务院在大释性人工智能项目Explainable 术《新一代人工智能发展规划》 AI, 提高AI决策的解释能力。中提出“实现具备高可解释技性、强泛化能力的人工智能” 据数《一般数据保护条例》规定：大线性回归自2018 年5 月25 日起要求所国解决策树有算法解释其输出原理，保证中释 SVM 数据隐私和算法公平性性 18 随机森林深度学习 20 准确性 jtsang@bjtu.edu.cn20 20

21 .工业界关注） TC 欧盟《一般数据保护条例》：微软投入1600多名工程师，为全球客户提供 BD  符合GDPR的算法服务；（  Facebook将美国、加拿大和欧盟国之外的约会 15亿用户的注册地从柏林移至美国。大术谷歌神经网络可视化开源平台机器偏见/深度学习安全技 Lucid：  同时展现单个神经元与输入-输出的关联；  Ian GoodFellow在  Jeff Dean力推支持据 OpenAI和谷歌大脑专数注深度学习安全研大究；国中 18 20 jtsang@bjtu.edu.cn21 21

22 .学术界关注） TC BD （会大术技据数大国中 18 成功攻击了ICLR2018 20 八篇防御文章中的七篇 jtsang@bjtu.edu.cn22 22

23 .学术界关注） TC BD （会大术技信用变化量据数大国中贷款阈值 18 20 统一阈值策略下的信用状况 jtsang@bjtu.edu.cn23 23

24 .机器学习解释性：定义） TC  机器学习：从数据中自动提取知识 BD 最常用定义（ “计算机系统能够利用经验会提高自身的性能” 大术可操作定义技 “机器学习本质是一个基于据经验数据的函数估计问题” 数大统计学定义国 “提取重要模式、趋势，并中理解数据，即从数据中学 18 习” 20 jtsang@bjtu.edu.cn24 24

25 .机器学习解释性：解释学习） TC  解释学习(Explanation-based Learning)： BD  分析式学习的一种：仅依赖单个观察，结合领域知识抽象出通用规则，形成解释和概括，（  与之对应的是经验性学习：观察概念的多个示例会后，归纳出概念的一般性描述大术技  “解释”的含义  据通过分析一个求解实例来产生解释结构数对所产生结论的推理过程做出解释大  国  对错误决策进行追踪，发现知识库中知识的缺陷和错误的概念中 18 20 jtsang@bjtu.edu.cn25 25

26 .机器学习解释性：根据解释的阶段分类）（ICML 2017 TC  建模前解释 tutorial） BD  数据可视化：建立对数据的直观理解（数据量大或数据（维度非常高时）会  探索性数据分析：分析发现具有代表性的数据模式大术技据数大国中使用MMD-critic从ImageNet数据集中学到的 18 代表性样本和非代表性样本 20 jtsang@bjtu.edu.cn26 26

27 .机器学习解释性：根据解释的阶段分类）（ICML 2017 TC  建立可解释模型 tutorial） BD  基于规则的方法：模型决策可（通过逻辑规则表示，如决策树会大术  基于特征权重的方法：特征权技重代表特征对于决策的重要程度，如广义线性模型据数大国  基于实例的方法：通过代表性中的样本来解释聚类/分类结果， 18 如K近邻 20 jtsang@bjtu.edu.cn27 27

28 .机器学习解释性：根据解释的阶段分类）（ICML 2017 TC  建模后解释：用可解释方法理解模型 tutorial） BD  输入/特征敏感性分析：通过输（入或特征的变化对结果的影响会来判断输入/特征的重要性大术  特征可视化：通过发现特征激技活与输入模式/概念的关联建立据特征的概念表示数大国  转化为可解释模型：用稀疏线中性模型、决策树等可解释模型 18 来近似神经网络 20 jtsang@bjtu.edu.cn28 28

29 .机器学习解释性：根据解释的对象分类）（GCPR 2018 TC  解释数据 tutorial） BD  数据可视化 + 探索性数据分析（会大  解释决策术  个体：理解具体决策，如为什么技特定输入可以导致这样的输出据数解释模型大  国  全局：理解模型本身，如什么样中的典型输入模式可以导致输出 18 20 jtsang@bjtu.edu.cn29 29

15点赞

4收藏

1下载