唐旭 李林 編譯整理
量子位 出品 | 公眾號(hào) QbitAI

最近，DeepMind在Arxiv上發(fā)布了Interpreting Deep Neural Networks using Cognitive Psychology，將認(rèn)知心理學(xué)的方法引入深度神經(jīng)網(wǎng)絡(luò)的研究。

這是DeepMind入選今年ICML(機(jī)器學(xué)習(xí)國(guó)際會(huì)議)的論文之一。在公開論文的同時(shí)，他們還在官方博客上對(duì)這篇論文做了介紹。

為什么要用認(rèn)知心理學(xué)方法來(lái)研究深度神經(jīng)網(wǎng)絡(luò)呢？

我們經(jīng)常在新聞中看到，深度神經(jīng)網(wǎng)絡(luò)的能力不斷提升，在圖像識(shí)別、語(yǔ)音識(shí)別以及玩各種游戲的能力上，一一超越了人類。

不過(guò)，隨之而來(lái)的也是越來(lái)越復(fù)雜的架構(gòu)，和越來(lái)越看不懂的決策過(guò)程。

也就是所謂的“黑箱”問(wèn)題。

黑箱

現(xiàn)在，每次提到深度學(xué)習(xí)，“黑箱”這個(gè)詞似乎如影隨形。DeepMind的論文中說(shuō)，“這種不透明性不僅阻礙了嘗試提升這些模型的基礎(chǔ)性研究，也影響了它們?cè)趯?shí)際場(chǎng)景中的落地。”

怎么打開這個(gè)黑箱，成了研究界關(guān)注的一大問(wèn)題。很多團(tuán)隊(duì)想開發(fā)“可解釋的人工智能”，讓AI解釋自己的行為。但是，Google工程總監(jiān)、AI經(jīng)典教材《人工智能：一種現(xiàn)代的方法》的第二作者Peter Norvig說(shuō)，這根本就行不通：

人類都不擅長(zhǎng)不了自己，就別指望機(jī)器了。

DeepMind這篇論文，正是把研究人類心智這個(gè)大黑箱的方法，用到了深度神經(jīng)網(wǎng)絡(luò)上：通過(guò)測(cè)量神經(jīng)網(wǎng)絡(luò)的行為來(lái)推斷內(nèi)在的認(rèn)知機(jī)制。

他們借用了一個(gè)用以說(shuō)明人類認(rèn)知過(guò)程的實(shí)驗(yàn)，來(lái)理解深度神經(jīng)網(wǎng)絡(luò)怎樣解決圖像分類任務(wù)。

形狀偏好

DeepMind這篇論文，借用了發(fā)展心理學(xué)中研究?jī)和绾螌W(xué)習(xí)物體和詞對(duì)應(yīng)關(guān)系的方法，來(lái)分析深度神經(jīng)網(wǎng)絡(luò)。

認(rèn)知心理學(xué)研究表明，人類兒童在將物體和詞對(duì)應(yīng)起來(lái)的過(guò)程中，存在三種偏好：

整體偏好：當(dāng)你指著一個(gè)物體，說(shuō)出一個(gè)詞，孩子會(huì)假設(shè)這個(gè)詞指的的整個(gè)物體，而非部件；

分類偏好：孩子會(huì)假設(shè)一個(gè)詞指的是物體所屬的基本類別；

形狀偏好：孩子會(huì)假設(shè)一個(gè)名詞的意思是基于物體的形狀，而不是它的顏色或質(zhì)地。

DeepMind借用的，是研究形狀偏好的認(rèn)知實(shí)驗(yàn)，因?yàn)檎J(rèn)知心理學(xué)在這方面的研究最為豐富。

DeepMind測(cè)量深度神經(jīng)網(wǎng)絡(luò)的形狀偏好所用的刺激物樣本，由印第安納大學(xué)認(rèn)知發(fā)展實(shí)驗(yàn)室提供

DeepMind所用的經(jīng)典形狀偏好實(shí)驗(yàn)過(guò)程如下：

1. 給深度神經(jīng)網(wǎng)絡(luò)看三個(gè)物體的圖片：1）基本調(diào)查物體、2）形狀匹配但顏色不匹配的物體、3）顏色匹配但形狀不匹配的物體。

2. 比較神經(jīng)網(wǎng)絡(luò)在分配標(biāo)簽時(shí)，為物體1和2分配相同標(biāo)簽的次數(shù)，和為物體1和3分配相同標(biāo)簽的次數(shù)所占比例如何。

實(shí)驗(yàn)示意圖

DeepMind的實(shí)驗(yàn)表明，深度神經(jīng)網(wǎng)絡(luò)和人類一樣，具有“形狀偏好”。

論文摘要

深度神經(jīng)網(wǎng)絡(luò)（DNN）在眾多領(lǐng)域的復(fù)雜任務(wù)上都有著卓越的表現(xiàn)，它迅速地刷新著我們對(duì)于這些問(wèn)題的認(rèn)知。

過(guò)往的工作只著眼于推進(jìn)我們對(duì)于這些模型的理解，但對(duì)于認(rèn)知心理學(xué)家在這些問(wèn)題上已有的描述、理論和實(shí)驗(yàn)方法，卻沒(méi)有加以充分利用。

為了發(fā)掘這些工具的潛在價(jià)值，我們選擇了在發(fā)展心理學(xué)中一種用來(lái)“解釋兒童如何學(xué)習(xí)物體和詞對(duì)應(yīng)關(guān)系”的固定分析方法，并將其應(yīng)用到DNN上。

用和原有認(rèn)知心理學(xué)實(shí)驗(yàn)類似的刺激物數(shù)據(jù)集進(jìn)行測(cè)試，我們發(fā)現(xiàn)，那些在ImageNet上訓(xùn)練的、最好的單個(gè)樣本學(xué)習(xí)(one shot learning)模型表現(xiàn)出了一種與在人類身上觀察到的相似的偏好：它們更喜歡根據(jù)形狀來(lái)對(duì)物體進(jìn)行分類，而不是顏色。

在這種偏好的程度在架構(gòu)相同但seed不同的模型上，會(huì)有非常大的差異，甚至?xí)谟?xùn)練過(guò)程中隨著seed而波動(dòng)，盡管它們最終在分類上的表現(xiàn)近乎相同。

這些結(jié)果證明了認(rèn)知心理學(xué)工具在發(fā)掘DNN隱含計(jì)算屬性上的能力，同時(shí)也為我們提供了一種用于人類字詞學(xué)習(xí)的計(jì)算模型。

相關(guān)鏈接

論文地址：

https:///pdf/1706.08606.pdf

博客文章：

https:///blog/cognitive-psychology/

【完】

一則通知

量子位正在組建自動(dòng)駕駛技術(shù)群，面向研究自動(dòng)駕駛相關(guān)領(lǐng)域的在校學(xué)生或一線工程師。李開復(fù)、王詠剛、王乃巖、王弢等大牛都在群里。歡迎大家加量子位微信(qbitbot)，備注“自動(dòng)駕駛”申請(qǐng)加入哈~