當(dāng)使用監(jiān)督學(xué)習(xí)(Supervised Learning)對大量高質(zhì)量的標(biāo)記數(shù)據(jù)(Labeled Data)進(jìn)行訓(xùn)練時，神經(jīng)網(wǎng)絡(luò)模型會產(chǎn)生有競爭力的結(jié)果。例如，根據(jù)Paperswithcode網(wǎng)站統(tǒng)計，在ImageNet這一百萬量級的數(shù)據(jù)集上，傳統(tǒng)的監(jiān)督學(xué)習(xí)方法可以達(dá)到超過88%的準(zhǔn)確率。然而，獲取大量有標(biāo)簽的數(shù)據(jù)往往費時費力。

為了緩解對標(biāo)注數(shù)據(jù)的依賴，「半監(jiān)督學(xué)習(xí)」(Semi-supervised Learning/SSL)致力于在僅有「少量」的標(biāo)注數(shù)據(jù)時利用「大量無標(biāo)簽」數(shù)據(jù)(Unlabeled Data)來提升模型的泛化性。半監(jiān)督學(xué)習(xí)亦是機器學(xué)習(xí)的重要主題之一。深度學(xué)習(xí)之前，這一領(lǐng)域的研究者們提出了諸如半監(jiān)督支持向量機、熵正則化、協(xié)同訓(xùn)練等經(jīng)典算法。

深度半監(jiān)督學(xué)習(xí)

隨著深度學(xué)習(xí)的興起，「深度」半監(jiān)督學(xué)習(xí)算法也取得了長足的進(jìn)步。同時，包括Google、Meta和微軟等在內(nèi)的科技巨頭也認(rèn)識到了半監(jiān)督學(xué)習(xí)在實際場景中的巨大潛力。例如，Google利用噪聲學(xué)生訓(xùn)練(Noisy student training)這一半監(jiān)督算法提高了其在搜索方面的性能[1]。當(dāng)前最具代表性的半監(jiān)督算法通常對標(biāo)注數(shù)據(jù)使用交叉熵?fù)p失進(jìn)行訓(xùn)練，對無標(biāo)注數(shù)據(jù)使用「一致性正則」技術(shù)(Consistency Regularization)鼓勵對輸入擾動進(jìn)行不變預(yù)測。例如，Google在NeurIPS 2020提出的FixMatch[2]算法利用增強錨定(Augmentation Anchoring)和固定閾值(Fixed Thresholding)技術(shù)來增強模型對不同強增強數(shù)據(jù)的泛化性和減少噪聲偽標(biāo)簽(Noisy Pseudo Labels)的影響。在訓(xùn)練中，F(xiàn)ixMatch過濾了低于用戶指定(user-provided / pre-defined)閾值的無標(biāo)簽數(shù)據(jù)。

微軟亞洲研究院與東京工業(yè)大學(xué)等在NeurIPS 2021合作提出的FlexMatch[3]則考慮到了「不同類」之間的學(xué)習(xí)難度不同，因此提出了「課程偽標(biāo)簽」(Curriculum Pseudo Labeling)技術(shù)對于不同類應(yīng)該采用不同的閾值。具體來說，對于容易學(xué)習(xí)的類別，模型應(yīng)該設(shè)置高閾值以降低噪聲偽標(biāo)簽的影響；對于難學(xué)習(xí)的類，模型應(yīng)該設(shè)置低閾值鼓勵該類的擬合。每個類的學(xué)習(xí)難度評估取決于落入該類且高于固定值的未標(biāo)記數(shù)據(jù)樣本的數(shù)量。

同時，研究員和這些學(xué)校還合作提出了一個統(tǒng)一的基于Pytorch的半監(jiān)督方法代碼庫「TorchSSL」[4]，對該領(lǐng)域的深度方法、常用數(shù)據(jù)集、和基準(zhǔn)結(jié)果進(jìn)行了統(tǒng)一的支持。

當(dāng)前「半監(jiān)督學(xué)習(xí)代碼庫存在的問題與挑戰(zhàn)」

盡管半監(jiān)督學(xué)習(xí)的發(fā)展如火如荼，但是，研究員們注意到目前大部分半監(jiān)督論文「只關(guān)注」計算機視覺 (CV) 分類任務(wù)，而「其他領(lǐng)域」（例如自然語言處理 (NLP)、音頻處理 (Audio)）研究者無法得知這些在CV任務(wù)上有效的算法是否依然有效。另外，大部分半監(jiān)督論文都是由谷歌，微軟等大型機構(gòu)發(fā)表的，學(xué)術(shù)界的實驗室往往由于計算資源的限制不能一起推動半監(jiān)督領(lǐng)域的發(fā)展。總的來說，半監(jiān)督學(xué)習(xí)基準(zhǔn)目前存在以下兩個問題：

（1）多樣性不足。現(xiàn)有的半監(jiān)督學(xué)習(xí)基準(zhǔn)大多局限于計算機視覺 (CV) 分類任務(wù)（即 CIFAR-10/100，SVHN，STL-10 和 ImageNet 分類），「排除了對自然語言處理 (NLP)、音頻處理 (Audio) 等分類任務(wù)的一致和多樣化評估，而在NLP和Audio中缺乏足夠的標(biāo)記數(shù)據(jù)也是一個普遍問題。」

（2）耗時且對學(xué)術(shù)界不友好。現(xiàn)有的半監(jiān)督學(xué)習(xí)基準(zhǔn)（如TorchSSL）通常是耗時且不環(huán)保的，因為它需要通常從頭開始訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型。具體而言，使用 TorchSSL評估FixMatch[1]大約需要「300」個GPU日。如此高的訓(xùn)練成本使得許多研究實驗室（尤其是學(xué)術(shù)界的實驗室或小研究團體）無法負(fù)擔(dān)得起SSL的相關(guān)研究，從而阻礙了SSL的進(jìn)展。

USB: 任務(wù)多樣化和對研究者更友好的新基準(zhǔn)庫

微軟亞洲研究院的研究員們聯(lián)合西湖大學(xué)、東京工業(yè)大學(xué)、卡內(nèi)基梅隆大學(xué)、馬克斯-普朗克研究所等機構(gòu)的研究人員們提出了「USB」：第一個將「視覺，語言，和音頻」分類任務(wù)進(jìn)行統(tǒng)一的半監(jiān)督分類學(xué)習(xí)基準(zhǔn)。相比于之前的半監(jiān)督學(xué)習(xí)基準(zhǔn)(如TorchSSL)只關(guān)注少量視覺任務(wù)，該論文不僅引入更多樣化的應(yīng)用領(lǐng)域，還「首次」利用視覺預(yù)訓(xùn)練模型（Pretrained Vision Transformer）大大縮減了半監(jiān)督算法的驗證時間（「從7000GPU時縮減至900GPU時」），使得半監(jiān)督研究對研究者、特別是小研究團體更友好。USB的相關(guān)論文已被國際人工智能頂會NeurIPS 2022接收。

USB

「USB提供的解決方案」

那么，USB如何一次性解決當(dāng)前半監(jiān)督基準(zhǔn)存在的問題呢？研究員們進(jìn)行了如下的改進(jìn)：

（1）為增強任務(wù)多樣性，USB引入了5個CV 數(shù)據(jù)集，5個NLP數(shù)據(jù)集和5個音頻數(shù)據(jù)集提供了一個多樣化且具有挑戰(zhàn)性的基準(zhǔn)，從而能夠?qū)碜圆煌I(lǐng)域的多個任務(wù)進(jìn)行一致的評估。下表提供了USB與TorchSSL的任務(wù)和訓(xùn)練時間等方面的詳細(xì)對比。

（2）為提高訓(xùn)練效率，研究員們將預(yù)訓(xùn)練的Vision Transformer引入SSL，而不是從頭訓(xùn)練ResNets。具體而言，研究員們發(fā)現(xiàn)在「不影響性能」的情況下使用預(yù)訓(xùn)練模型可以大大減少訓(xùn)練迭代次數(shù)（例如，將 CV 任務(wù)的訓(xùn)練迭代次數(shù)從100萬步減少到「20」萬步）。（3）為了對研究人員更加友好，研究員們開源實現(xiàn)了14種 SSL算法并開源了一個模塊化代碼庫和相關(guān)的配置文件以供研究者輕松再現(xiàn)USB報告中的結(jié)果。為了快速上手，USB還提供詳細(xì)的文檔和教程。此外，USB還提供「pip包」以供使用者直接調(diào)用SSL算法。研究員們承諾未來會在USB中不斷加入新的算法（例如不平衡半監(jiān)督算法等）和更多更具挑戰(zhàn)性的數(shù)據(jù)集。

總結(jié)

半監(jiān)督學(xué)習(xí)通過利用大量無標(biāo)簽數(shù)據(jù)來訓(xùn)練更精確、更魯棒的模型，在未來有著重要的研究和應(yīng)用價值。研究員們期待通過USB這一工作，能夠予力學(xué)術(shù)界和工業(yè)界在半監(jiān)督學(xué)習(xí)領(lǐng)域取得更大的進(jìn)展。