MIT博士生、北大校友，利用自监督算法，解决了数据集中这一常见的“难题”

 训练模型时，你是否也遭遇过这样的“尴尬”时刻：

好不容易找到了自己想要的数据集，结果点进去一看，大部分样本都是一类物体。（例如，数据集标签「动物」，结果80%的样本都是「猫」）

用上面这个数据集训练的动物检测模型，可能只能识别「猫」。

这类数据不均衡（某一标签数量太多，其余标签数量太少）的问题，在机器学习中被称为“长尾问题”。

这个问题导致，数据集中（尤其是大型数据集）样本数量少的物体，泛化效果会非常差。

△像一条长长的尾巴

然而事实上，在一个数据集中，几乎总有常见和不常见的类别，其中不常见的类别，又往往成为需要被识别的目标。

例如，自动驾驶感知模型中，就要求AI能提前预测可能违规的情形，并及时阻止。

然而在自动驾驶数据集里，不可能全是肇祸、违规的场景（大部分场景还是安全的）。

那么，这些“不均衡”的数据集，就真的不能用了吗？

来自MIT的两名博士生杨宇喆和Zhi Xu，想到了一种新的解决方案，研究成果登上了NeurIPS 2020顶会。

一起来看看。

一些已有的解决办法

事实上，此前为了解决“不均衡”数据集，研究者们已经尝试过多种方法。

仅仅是主流算法，就分为七种：

重采样 （re-sampling）：分为对少样本的过采样、及多样本的欠采样，但这2种方法，都有欠缺的地方。其中，过采样容易发生少样本过拟合，无法学习更鲁棒、易泛化的特征，在不平衡数据上表现较差；欠采样会造成多样本严重信息损失，导致发生欠拟合。

数据合成 （synthetic samples）：生成和少样本相似的新数据。以SMOTE方法为例，对于任意选取的少类样本，它用K近邻选取相似样本，并通过对样本线性插值得到新样本。这里与mixup方法相似，因此，也有非均衡的mixup版本出现。

重加权 （re-weighting）：为不同类别（甚至不同样本）分配不同的权重。其中，权重可以自适应。这一方法诞生出很多变种，如对类别数目的倒数进行加权、对“有效”样本数加权、对样本数优化分类间距的损失加权等等。

迁移学习 （transfer learning）：对多类和少类样本分别建模，将学到的多类样本信息/表示/知识迁移给少类别使用。

度量学习 （metric learning）：希望能学到更好的嵌入，以对少类附近的边界/边缘更好地建模。

元学习/域自适应 （meta learning/domain adaptation）：分别对头、尾部数据进行不同处理，自适应地学习如何重加权，或是规划成域自适应问题。

解耦特征和分类器 （decoupling representation & classifier）：研究发现，将特征学习和分类器学习解耦、将不平衡学习分为两个阶段，并在特征学习阶段正常采样、在分类器学习阶段平衡采样，可以带来更好的长尾学习效果。这是目前最优的长尾分类算法。

但这些，在样本极端失衡的情况下也没法用，如果真的只有几个样本，模型的性能差异就无法避免。

关键在于，究竟该怎么理解这里面的“不均衡”？

“不均衡”标签的内在价值

那些本身就不平衡的数据标签，会不会具有什么价值？

研究发现，这些不平衡的数据标签，就像是一把“双刃剑”。

一方面，这些标签提供了非常珍贵的监督信息。

在特定任务上，有监督学习通常比无监督学习的准确性更高，即使不平衡，标签也都具有“正面价值”。

但另一方面，标签的不平衡，会导致模型在训练过程中，被强加标签偏见 （label bias），从而在决策区域被主类别极大地影响。

研究者们认为，即使是不平衡标签，它的价值也可以被充分利用，并极大地提高模型分类的准确性。

如果能先“抛弃标签信息”，通过自监督预训练，让模型学习到好的起始表示形式，是否就能有效地提高分类准确性？

从半监督，到自监督预训练

作者们先对半监督下的不均衡学习进行了实验。

实验证明，利用无标记数据的半监督学习，能显著提高分类结果。

从图中可以看出，未标记数据，有助于建模更清晰的类边界，促成更好的类间分离。

这是因为，尾类样本所处区域数据密度低，在学习过程中，模型不能很好地对低密度区域进行建模，导致泛化性差。

而无标记数据，能有效提高低密度区域样本量，使得模型能对边界进行更好的建模。

然而，在一些很难利用半监督学习的极端情况下，仍然需要自监督学习出场。

这是因为，一旦自监督产生良好初始化，网络就可以从预训练任务中受益，学习到更通用的表示形式。

[[376121]]

而实验同样证明了这一点。

正常预训练的决策边界，很大程度上会被头类样本改变，导致尾类样本大量“泄漏”，无法很好地泛化。

而采用自监督预训练的话，学习到的样本保持清晰的分离效果，且能减少尾类样本泄漏。

也就是说，为了利用自监督克服标签偏见，在长尾学习的第一阶段，需要先放弃标签信息，进行自监督预训练。

此阶段后，可以使用任何标准训练方法，训练得到最终模型。（例如此前所用的迁移学习、重加权、域自适应……）

这样，就能更好地解决长尾问题。

作者介绍

论文一作杨宇喆，目前是MIT计算机科学的三年级博士生，本科毕业于北京大学。

[[376122]]

目前，杨宇喆的研究方向主要有两个：基于学习的无线感应技术，应用方向是医疗保健；机器学习，主要是针对机器学习和强化学习的鲁棒性进行研究。

论文二作Zhi Xu，本科毕业于伊利诺伊大学厄巴纳-香槟分校，同样是MIT的博士生，感兴趣的研究方向是机器学习理论和现代应用，目前主要在研究强化学习的稳定性、效率、结构和复杂度。

[[376123]]

论文地址：

https://arxiv.org/abs/2006.07529

项目地址：

https://github.com/YyzHarry/imbalanced-semi-self

论文解读@杨宇喆：

https://zhuanlan.zhihu.com/p/259710601