😜Gopher - языковая модель с 280 миллиардами параметров от DeepMind
Чтобы исследовать существующие языковые модели и разрабатывать новые, сотрудники DeepMind обучили серию языковых моделей-трансформеров разного размера, от 44 миллионов до 280 миллиардов параметров. Исследования показали, что увеличение масштаба модели повышает производительность, в таких областях, как понимание прочитанного, проверка фактов и определение токсичного языка. Но в некоторых задачах масштаб модели не улучшает результаты: например, логическое рассуждение и поиск здравого смысла. Примечательно, что Gopher способен побуждать человека к разговору, что поднимает его на новый уровень по сравнению с другими языковыми моделями.
https://deepmind.com/blog/article/language-modelling-at-scale

🙌🏻Масштабируемый подход к частично локальному федеративному обучению от Google AI
Федеративное обучение позволяет пользователям обучать модели без отправки необработанных данных на центральный сервер, избегая сбора конфиденциальных данных. Обычно это делается путем изучения единой глобальной модели для всех пользователей, даже если они различаются в распределении данных. Поэтому для повышения эффективности алгоритмов следует персонализировать глобальную модель для каждого пользователя. Но иногда соображения конфиденциальности препятствуют полному изучению глобальной модели.
Например, матричная факторизация в рекомендательных системах в случае глобальной федеративной модели будет включать отправку пользовательских обновлений встраивания на центральный сервер, который потенциально может выявить предпочтения, закодированные во встраиваниях. Даже для моделей без встраиваний, специфичных для пользователя, наличие некоторых параметров, полностью локальных для пользовательских устройств, снизит взаимодействие между сервером и клиентом, персонализируя эти параметры для каждого пользователя.
Поэтому исследователи Google AI предложили подход, который обеспечивает масштабируемое частично локальное федеративное обучение, при котором некоторые параметры модели никогда не агрегируются на сервере. Для матричной факторизации этот подход обучает рекомендательную модель, сохраняя пользовательские вложения локальными для каждого пользовательского устройства. Для других моделей подход обучает часть модели быть полностью индивидуальной для каждого пользователя, избегая передачи этих параметров. Успешное развертывание частично локального федеративного обучения в Gboard привело к повышению точности рекомендаций для сотен миллионов пользователей.
https://ai.googleblog.com/2021/12/a-scalable-approach-for-partially-local.html

👂🏻Я тебя слышу: человеческий слух с точки зрения DL
Нейробиологи из MIT разработали ML-модель для изучения факторов, влияющих на то, как люди слышат высоту звука. Восприятие высоты звука их моделью очень напоминало человеческое, но только тогда, когда она обучалась с использованием музыки, голосов или других естественных звуков. Способность людей распознавать высоту звука - по сути, частоту повторения звука - придает мелодию музыке и нюансы разговорной речи. Хотя это, пожалуй, наиболее изученный аспект человеческого слуха, исследователи все еще обсуждают, какие факторы определяют свойства восприятия высоты звука и почему для одних типов звуков оно более остро, чем для других. Понимание того, как наша нервная система воспринимает высоту звука, важно для разработки слуховых имплантантов.
Чтобы изучить, как человеческие уши и окружающая среда влияют на восприятие звука, ученые построили DL-нейросеть и обучили ее оценивать высоту звука, включая частоту повторения в обучающей выборке. Это позволило менять параметры, при которых развивалось восприятие высоты звука. Когда модель обучалась с использованием естественных для человека звуков (речь, музыка, звуки природы), она смогла оценивать высоту звука так же, как люди. Но при обучении на искусственных звуках и при отсутствии фонового шума, поведение модели стало совсем другим. Команда также обнаружила, что синхронизация нервных сигналов, инициируемых в человеческом ухе, имеет решающее значение для восприятия звука. Это пригодится для разработки кохлеарных имплантатов.
https://news.mit.edu/2021/perfecting-pitch-perception-1217

🔥Онлайн-встреча для CV-специалистов: про DL и не только на площадке Яндекса. 28 декабря с 12:00 до 17:30 (GMT+3).
Бесплатно, но нужна регистрация https://events.yandex.ru/events/christmas-colloquium-on-cv-2021

🕸Тонкая настройка GPT-3 на пользовательских данных: новый сервис от OpenAI
2 недели назад, в середине декабря уже прошлого года, разработчик GPT-3 представила новый SaaS-сервис для кастомизации DL-моделей. Разработчики ИИ-приложений могут настраивать GPT-3 на своих данных, создавая индивидуальную модель, адаптированную к конкретному случаю. Тонкая настройка повышает надежность и точность GPT-3, а также ускоряет использование модели.
Можно использовать существующий датасет практически любого формата и размера, а также постепенно добавлять данные на основе отзывов пользователей. Например, Keeper Tax – приложение для самозанятых и фрилансеров, чтобы вовремя уплачивать налоги, с помощью тонко настроенной модели GPT-3, почти на 10% увеличило точность своих прогнозов. После того, как клиент связывает свои финансовые счета, Keeper Tax использует различные DL-модели для извлечения текста и классификации транзакций. Keeper Tax определяет налоговые списания, которые легко упустить, и помогает клиентам подавать налоговые декларации прямо из приложения. Еженедельно добавляя около 500 новых обучающих примеров для точной настройки своей модели, разработчики повышали ее точность примерно на 1% каждые 7 дней, повысив ее с 85% до 93%.
При обучении точно настроенной модели вы платите за общее количество используемых токенов, рассчитываемых как 50% от скорости вывода базовой модели на 1 тысячу токенов или количество токенов в обучающем файле, умноженное на количество эпох. Файл токена размером 1 МБ занимает примерно 5 МБ и по умолчанию настраивается на 4 эпохи. А полная стоимость настроенной DL-модели зависит от ее архитектуры и варьируется от $0.0016 до $120.
https://beta.openai.com/docs/guides/fine-tuning

✍🏻Кто рисует лучше: битва DL-моделей
Год назад, в январе 2021 OpenAI представила DALL-E (по имени художника-сюрреалиста Сальвадора Дали) – версию языковой модели GPT-3 с 12 миллиардами параметров для создания фотореалистичных изображений с текстовыми подписями. В ноябре того же года NVIDIA выпустил GauGAN2 – генеративно-состязательную нейросеть для генерации изображений в стиле картин французского постимпрессиониста Поля Гогена. А в конце декабря 2021 года компания OpenAI представила GLIDE (Guided Language-to-Image Diffusion for Generation and Editing), которая выдает результаты, сравнимые по качеству с DALL-E на 30% параметров. Модель выложена в открытый доступ на Github https://github.com/openai/glide-text2im
https://syncedreview.com/2021/12/24/deepmind-podracer-tpu-based-rl-frameworks-deliver-exceptional-performance-at-low-cost-173/
https://arxiv.org/abs/2112.10741

😜Многоязычный датасет для NLP от Яндекса: рассуждения на основе здравого смысла
Опубликовав исследования в статье на конференции ACL 2021, сотрудники Яндекса также на сайте компании рассказывают про новый конкурентный подход, который использует только выходные данные внутреннего внимания. Анализ этого метода обнаруживает интригующие свойства межъязыковых репрезентаций трансформерных моделей: одни и те же элементы внимания кодируют знания рассуждений для разных языков. Метод использует только линейный классификатор поверх предварительно обученных представлений внимания, позволяя проанализировать изученные веса, чтобы определить, какие что вносит наибольший вклад в прогноз.
Также Яндекс презентует XWINO — многоязычный набор данных задач Winograd Schema на английском, французском, японском, русском, китайском и португальском языках. Датасет содержит 3961 пример и может использоваться для оценки как языковой производительности, так и межъязыкового обобщения NLP-моделей. Скачать датасет можно из Github-репозитория.
https://research.yandex.com/news/a-few-attention-heads-for-reasoning-in-multiple-languages
https://github.com/yandex-research/crosslingual_winograd

🙌🏻MvM: альтернативный GAN от Microsoft
В конце 2021 года Microsoft представила фреймворк для генерации изображений MvM (Manifold Matching via Metric Learning). Он превосходит GAN-модели, а также позволяет использовать новые алгоритмы обучения в задачах компьютерного зрения. MvM также использует состязательный подход, но ориентированный не на статистическое, а геометрическое распределение данных. Одна нейросеть генерирует подделки, очень близкие к реальному распределению данных, а другая учится выбирать наиболее эффективную метрику для распознавания этих подделок. MvM формирует многомерное представление изображений, что позволяет использовать методы обучения без учителя.
Pytorch-реализация с наглядными примерами MvM доступна в репозитории на Github.
https://github.com/dzld00/pytorch-manifold-matching
https://www.microsoft.com/en-us/research/blog/unlocking-new-dimensions-in-image-generation-research-with-manifold-matching-via-metric-learning/

👄Читаю по губам: свежий AV-HuBERT от Meta
AV-HuBERT — мультимодальный фреймворк распознавания речи одновременно по ее звуку и движению губ говорящего с точностью распознавания на 75% выше, чем у state-of-the-art моделей, обученных на таком же количестве транскрипций. AV-HuBERT комбинирует движение губ со звуковой информацией и регистрирует взаимосвязи между этими данными.
Сначала AV-HuBERT обучалась на 30 часах размеченных англоязычных видео TED Talk. При этом частота ошибок в словах как мера эффективности распознавания речи была лучше, чем в предыдущих моделях: 32,5% против 33,6%. Эта мера (WER) рассчитывается путем деления количества неправильно распознанных слов на общее количество слов; 32,5% соответствует примерно одной ошибке на каждые 30 слов. Обучение 433 часам TED Talks еще больше снизило WER AV-HuBERT до 28,6%.
Как только AV-HuBERT хорошо изучил структуру и корреляцию между данными, исследователи дополнительно обучили его на неразмеченных 2442 часах англоязычных YouTube-видеороликов данных. Это снизило WER до 26,9% и показало, что для обучения фреймворка конкретному приложению, например, когда несколько человек говорят одновременно или другому языку требуется лишь небольшой объем размеченных данных.
Meta утверждает, что AV-HuBERT примерно на 50% лучше, чем аудиомодели, в распознавании речи человека, когда на заднем плане играет громкая музыка или шум. А когда речь и фоновый шум одинаково громкие, AV-HuBERT обеспечивает WER 3,2% по сравнению с 25,5% предыдущей лучшей мультимодальной модели. Модель выложена в открытый доступ на Github.
https://github.com/facebookresearch/av_hubert
https://venturebeat.com/2022/01/07/meta-claims-its-ai-improves-speech-recognition-quality-by-reading-lips/

💃🏼🕺🏼Zero Waste со вкусом: ИИ-стартап для устойчивой моды
Виртуально моделируя одежду, стартап AI Heartdub стремится уменьшить воздействие цепочек поставок текстиля на окружающую среду. Компания со штаб-квартирой в Пекине является участником программы NVIDIA Inception для поддержки ИИ-стартапов. Она объединяет моду и технологии, позволяя дизайнерам и создателям виртуально демонстрировать физические ткани и предметы одежды, а также помогает производителям одежды добиться безотходного производства.
Например, движок Heartdub Materials с большим набором данных о текстиле воспроизводит физические свойства материалов. Внутри приложения оцифрованный материал ведет себя так же, как и в реальном мире, с учетом текстуры, веса и движения. Это может сократить расходы на исследования и разработки вдвое, расходы на маркетинг на 70% и время выполнения заказов на 90% для производителей тканей и владельцев брендов.
Проверяя дизайн практически без затрат, Heartdub Materials может производить цифровые готовые предметы одежды на основе выкроек одежды. Дизайнеры могут выбирать текстуру, рисунок и дизайн в режиме онлайн, что позволяет производителям тканей бесплатно оформлять предварительные заказы. Наконец, сами образцы одежды можно демонстрировать и покупать непосредственно через виртуальные демонстрации и показы мод, организованные Heartdub One, базой данных компании по одежде и аватарам. С Heartdub One потребители могут увидеть, как одежда подходит к их конкретному размеру и форме, создав своего собственного цифрового человека на основе своих конкретных измерений.
Основанный на сети NVIDIA HDR InfiniBand, физический движок Heartdub Materials может похвастаться скоростью 200 Гбит/с, повышая эффективность передачи данных почти в 100 раз. Используя преимущества графических процессоров NVIDIA Quadro RTX 8000 и технологии высокоскоростного соединения, Heartdub Materials позволяет моделировать сложные среды виртуального мира и эффективно обрабатывать сложные рабочие нагрузки трассировки лучей и визуальных вычислений.
https://blogs.nvidia.com/blog/2021/08/04/inception-heartdub-ai-startup/

📝Интерпретация DL-моделей с LIME
Модели глубокого обучения похожи на черный ящик, который выдает результат, не объясняя причину решения. Это снижает уровень доверия к ИИ и затрудняет его практическое внедрение. Объясняемый (интерпретируемый) ИИ – яркий тренд последних несколько лет. Одним из способов его реализации является Python-библиотека LIME - локально интерпретируемые моделе-независимые объяснения (Local Interpretable Model-Agnostic Explanations).
LIME не зависит от модели, что позволяет применять ее для объяснения любого типа выходных данных. Это реализуется через нарушение локальных особенностей вокруг целевого прогноза и измерение результата. Например, в задаче классификации текста можно изменить токены вокруг целевого объекта, а затем измерить выходные данные модели. LIME выводит список токенов с оценкой вклада в предсказание модели. Это обеспечивает локальную интерпретируемость, а также позволяет определить, какие изменения характеристик окажут наибольшее влияние на прогноз.
Интуитивно объяснение представляет собой локальное линейное приближение поведения модели. Хотя модель может быть очень сложной в глобальном масштабе, ее легче аппроксимировать вблизи конкретного экземпляра. На рисунке ниже решающая функция модели представлена сине-розовым фоном и явно нелинейна. Ярко-красный крест — это объясняемый экземпляр под именем X. Отбирая экземпляры вокруг X и взвешивая их в соответствии с их близостью к X, можно изучить линейную модель (пунктирная линия). Она хорошо аппроксимирует модель в окрестности X, но не обязательно глобально.
LIME может объяснить любой классификатор черного ящика с двумя или более классами. Нужно только, чтобы классификатор реализовал функцию, которая принимает необработанный текст или пустой массив и выводит вероятность для каждого класса. Встроена поддержка классификаторов scikit-learn. Установить библиотеку можно через менеджер пакетов pip: pip install lime, а ее исходный код доступен на Github https://github.com/marcotcr/lime
Пример интерпретации распознавания именованных сущностей с LIME: https://towardsdatascience.com/interpretable-and-explainable-ner-with-lime-d643512c524

Принцип работы LIME

🔥Tutel: новый инструмент для Fairseq от Microsoft
Fairseq или Facebook AI Research Sequence-to-Sequence Toolkit (https://github.com/pytorch/fairseq) – набор инструментов, написанный для моделирования последовательностей, который позволяет обучать пользовательские ИИ-модели переводу, обощению, языковому моделированию и другим задачам генерации текста. Впервые опубликованный на Github под лицензией MIT, в декабре 2021 года Fairseq был дополнен высокопроизводительной библиотекой Tutel от Microsoft для облегчения разработки крупномасштабных моделей типа MoE (mixture-of-experts).
MoE — это архитектура DL-модели, где вычислительные затраты растут с количеством параметров нелинейно, т.е. медленнее простой линейной зависимости. Это упрощает масштабирование и делает MoE единственным на сегодня способом увеличения DL-моделей до триллиона с лишним параметров. Чтобы упростить практическое использование MoE-архитектуры, исследователи Microsoft разработали библиотеку Tutel, облегчающую разработку крупномасштабных моделей DNN.
Tutel оптимизирована для новой общедоступной серии Azure NDm A100 v4. Для одного уровня MoE Tutel в несколько раз быстрее Fairseq и отлично совместима с кластером Azure NDm A100 v4.
Библиотека обеспечивает разнообразную и гибкую поддержку современных алгоритмов MoE, включая поддержку:
• произвольная настройка K для алгоритма стробирования Top-K, тогда как большинство реализаций поддерживают только Top-1 и Top-2;
• различные стратегии исследования, включая маршрутизацию с пакетным приоритетом, отключение ввода и дрожание ввода;
• различные уровни точности, включая половинную точность (FP16), полную точность (FP32) и смешанную точность;
• различные типы устройств, включая устройства NVIDIA CUDA и AMD ROCm.
Tutel поддерживает Pytorch 1.10+, а также GPU CUDA(fp32 + fp16), ROCm(fp32 + fp16). Исходный код библиотеки также доступен на Github под лицензией MIT: https://github.com/microsoft/tutel
https://www.microsoft.com/en-us/research/blog/tutel-an-efficient-mixture-of-experts-implementation-for-large-dnn-model-training/

🙌🏻Визуализация обучения DL-моделей с HiPlot
Модели глубокого обучения сегодня широко применяются во многих сферах, от обнаружения мошенничества до беспилотных транспортных средств. Когда модель масштабируется для ежедневной работы с множеством пользователей, даже незначительное улучшение ее показателей может привести к значительному улучшению общей производительности DL-системы.
Используя визуализацию, можно добавить еще один уровень глубины к пониманию того, как именно модели обучаются и работают в каждую эпоху, чтобы принимать более четкие решения при выборе модели. Также эта информация поможет понять, являются ли модели избыточными или недостаточными, на основе используемой метрики оценки, что может помочь с настройкой гиперпараметров.
Например, для оценки точности и производительности DL-модели можно использовать среднюю абсолютную ошибку (MAE). Оценка MAE всегда будет положительным числом, и чем ближе оценка к 0, тем лучше работает модель. MAE можно рассчитать, взяв среднюю величину ошибок как разницу по модулю между прогнозируемыми и фактическими значениями, деленную на общее количество точек данных. Можно взять и другую метрику для оценки модели, например, среднеквадратическую ошибку. В любом случае, чтобы визуально отследить эволюцию обучения модели, необходимо показать изменение этой метрики по эпохам обучения. Это можно сделать с помощью HiPlot – легковесная библиотека от Facebook, которая позволяет легко и быстро создать график с параллельными координатами на основе предоставленных данных. HiPlot доступна на Github и может быть установлена через менеджеры пакетов:
pip install -U hiplot
или
conda install -c conda-forge hiplot
Далее можно строить графики
import hiplot as hip
data = [{'dropout':0.1, 'lr': 0.001, 'loss': 10.0, 'optimizer': 'SGD'},
{'dropout':0.15, 'lr': 0.01, 'loss': 3.5, 'optimizer': 'Adam'},
{'dropout':0.3, 'lr': 0.1, 'loss': 4.5, 'optimizer': 'Adam'}]
hip.Experiment.from_iterable(data).display()

Визуализация обучения DL-моделей с HiPlot

🥳 Все ждали и это свершилось!

🚨Я продолжаю серию митапов про Data Science в городских и геосервисах, логистике, и технологиях умных городов.

🗓 25 января в 18:30 МСК состоится первая в этом году онлайн-встреча Citymobil Data Meetup!

Вас ждут новые гости и новые интересные доклады.

🚕 Олег Стрельников Руководитель команды Data Quality в Ситимобил «Как мы качество данных проверяем»

Расскажет про выбор фреймворка для DataQuality, что от него ждали и почему остановились на GreatExpectations. Покажет, как встроили его в архитектуру DWH, с какими проблемами столкнулись и как их побороли.

☎️ Максим Шевченко Ведущий ML разработчик в МТС BigData «Проверка гипотезы валидности таргетинга в наружной рекламе»

Маркетологи часто таргетируют наружную рекламу не только по геопризнаку, но и по социально-демографическим сегментам и интересам. При этом, исходят из предположения, что, например, по разным дорогам ездят разные люди – есть дороги, по которым в большей степени ездят высокодоходные клиенты, люди более старшего возраста и т.д. Действительно ли это так? Слушатели узнают про интересный и одновременно простой способ проверки некоторых гипотез и о том, как его можно использовать в других реальных задачах.

После докладов спикеры ответят на все ваши вопросы.

Регистрация для бесплатного участия

https://citymobil.timepad.ru/event/1904978/

🦋KEAR: новая DL-модель от Microsoft Azure
В декабре 2021 года ИИ-команда Microsoft Azure представила новую DL-модель KEAR (Knowledgeable External Attention for Commonsense Reasoning) с внешним вниманием для понимания здравого смысла. Она работает лучше, чем люди, отвечающие на тот же вопрос. KEAR достигает точности 89,4% в таблице лидеров CommonsenseQA по сравнению с 88,9% точности, достигаемой человеком. Хотя тест CommonsenseQA проводится на английском языке, ИИ-инженеры Microsoft Azure используют аналогичную технику для многоязычного рассуждения на основе здравого смысла.
Учитывая вопрос и пять возможных ответов, для задачи CommonsenseQA модель KEAR сначала извлекает связанные знания из графа знаний посредством связывания сущностей, из словаря посредством сопоставления слов и из связанных наборов данных QA посредством поиска текста. Затем полученные знания объединяются с входным вопросом и ответом кандидата и вводятся в языковую модель для получения оценки. Ответ-кандидат с наивысшим баллом выбирается в качестве вывода. Окончательное представление генерируется ансамблем из 39 языковых моделей, таких как DeBERTa и ELECTRA, с большинством голосов. Таким образом, модель KEAR может использовать соответствующие внешние знания для эффективного понимания на основе здравого смысла.
Применяя внешнее внимание к многоязычным рассуждениям на основе здравого смысла, разработчики с помощью KEAR переводили неанглийский вопрос на английский, извлекали знания из различных источников и снова переводили текст знаний на исходный язык для внешнего внимания. Предложенная модель Translate-Retrieve-Translate (TRT) заняла первое место в наборах данных X-CODAH и X-CSQA в тесте X-CSR.
https://www.microsoft.com/en-us/research/blog/azure-ai-milestone-microsoft-kear-surpasses-human-performance-on-commonsenseqa-benchmark/

✈️Scalecast: LSTM-библиотека для Python
Одной из самых продвинутых моделей для прогнозирования временных рядов является нейронная сеть с долговременной кратковременной памятью (LSTM, Long Short-Term Memory). Ячейка LSTM добавляет долговременную память еще более эффективным способом, поскольку позволяет изучать еще больше параметров. Это делает ее самой мощной рекуррентной нейронной сетью для прогнозирования, особенно при наличии долгосрочных трендов в данных.
Однако, реализация LSTM в TensorFlow не проста в разработке и использовании. Это исправит Scalecast – масштабируемая Python-библиотека с моделями scikit-learn, statsmodels, Facebook Prophet, Microsoft LightGBM, LinkedIn Silverkite и Keras для прогнозирования временных рядов. Она проста в использовании и включает функции автоматического изменения масштаба, тестирование модели и оценку доверительных интервалов. Модель обучается лишь один раз, а затем снова к полному набору данных временных рядов, чтобы предотвратить переобучение и получить справедливый эталон для сравнения нескольких подходов.
Недостаток библиотеки в том, что обучение сложной модели может выполняться в два раза медленнее. Также у ML-разработчика нет доступа ко всем инструментам для прямого вмешательства в модель, что возможно в TensorFlow. Тем не менее, инструмент интересен и его можно как минимум протестировать, установив через менеджер пакетов pip: pip install scalecast.
Код библиотеки доступен на Github: https://github.com/mikekeith52/scalecast
А посмотреть примеры использования можно здесь: https://towardsdatascience.com/exploring-the-lstm-neural-network-model-for-time-series-8b7685aa8cf

💦Что такое Swarm Learning: блокчейн + ML
Swarm Learning — это фреймворк для сохранения конфиденциальности данных, который использует блокчейн для децентрализации ML-систем. Входные данные и результаты обучения не поступают в центральное место, чтобы их можно было разделить между пользователями.
В отличие от федеративного обучения, где системы обучаются локально, необработанные данные остаются на границе, а полученные параметры нейронной сети передаются в центральное место, в Swarm Learning нет центра. Обучение выполняется локально/на периферии, как и при федеративном обучении, но результаты не передаются через центральный выделенный сервер. Организации обменялись знаниями, используя технологию Blockchain. Новый узел регистрируется через смарт-контракт блокчейна, получает модель и выполняет обучение локальной модели до тех пор, пока не будут выполнены определенные условия для синхронизации. Затем параметры модели обмениваются через API Swarm и объединяются для создания обновленной модели с обновленными настройками параметров перед началом нового раунда обучения.
https://towardsdatascience.com/how-swarm-learning-works-blockchain-and-machine-learning-combined-for-a-better-solution-20484d4f258c
https://www.nature.com/articles/s41586-021-03583-3

🦋StylEx: новый подход к визуальному объяснению классификаторов от Google AI
В конце прошлого года, на конференции ICCV 2021 исследователи Google AI представили StylEx - новый подход к визуальному объяснению классификаторов, который автоматически обнаруживает и визуализирует атрибуты, влияющие на классификатор. Это позволяет проанализировать влияние отдельных атрибутов на результат, манипулируя ими по отдельности: изменение одного атрибута не влияет на другие. StylEx находит атрибуты, которые хорошо согласуются с семантикой, генерируют содержательные пояснения к конкретному изображению и могут быть интерпретированы людьми.
Для реализации подхода используется архитектура StyleGAN2, которая генерирует изображения высокого качества и содержит отдельные семантически значимые атрибуты изображений в обучающем наборе данных. Но обучение StyleGAN не зависит от классификатора и может не представлять атрибуты, важные для решения конкретного классификатора, который нужно изучить. Поэтому также обучается генератор, подобный StyleGAN, чтобы удовлетворять требования классификатора, поощряя его размещать в скрытом пространстве атрибуты, специфичные для классификатора.
Это достигается за счет обучения генератора StyleGAN двумя дополнительными компонентами. Первый — это энкодер, обученный вместе с GAN с реконструкцией-потерей, который заставляет сгенерированное выходное изображение быть визуально похожим на входное, чтобы применять генератор к любому заданному входному изображению. Но визуального сходства изображения недостаточно, поскольку оно не обязательно фиксирует тонкие визуальные детали, важные для конкретного классификатора, например, медицинские патологии. Поэтому в обучение StyleGAN добавлены потери классификации, что делает вероятность классификатора сгенерированного изображения аналогичной вероятности классификатора входного изображения. Это гарантирует, что тонкие визуальные детали, важные для классификатора (например, медицинские патологии), будут включены в сгенерированное изображение.
После обучения в скрытое пространство атрибутов обученного генератора добавляются атрибуты, которые существенно влияют на классификатор с учетом изменения вероятности классификации в зависимости от изменений каждой координатой этого пространства. Ищутся верхние атрибуты, которые максимизируют изменение вероятности классификации для данного изображения. Повторяя этот процесс для большого количества изображений в каждом классе, можно дополнительно обнаружить характерные для класса атрибуты.
Метод работает с широким спектром доменов и классификаторов (бинарных и мультиклассовых), причем основные атрибуты, обнаруженные StylEx, соответствуют согласованным семантическим понятиям при интерпретации людьми.
Важно, что метод объясняет классификатор, а не реальность, т.е. он предназначен для выявления атрибутов изображения, которые классификатор научился использовать из данных. Но эти атрибуты не обязательно характеризуют фактические физические различия между метками классов в реальности. Обнаруженные атрибуты могут выявить систематические ошибки в обучении классификатора или наборе данных. StylEx можно также применять для повышения достоверности нейронных сетей, дополняя набор обучающих данных примерами, которые компенсируют смещения, обнаруженные этим методом.
Добавление потери классификатора в обучение StyleGAN оказывается решающим в областях, где классификация зависит от мелких деталей. Например, GAN, обученный на изображениях сетчатки без потери классификатора, не обязательно будет генерировать мелкие патологические детали, соответствующие конкретному заболеванию. Добавление потери классификации заставляет GAN генерировать эти тонкие патологии в качестве объяснения классификатора.
https://ai.googleblog.com/2022/01/introducing-stylex-new-approach-for.html