谷歌研發(fā)能處理多域多任務(wù)的機(jī)器學(xué)習(xí)模型——MultiModel

我們知道，人工智能領(lǐng)域雖然發(fā)展迅速，但大部分機(jī)器學(xué)習(xí)的系統(tǒng)都是針對(duì)特定的學(xué)習(xí)任務(wù)存在的，例如會(huì)下棋的AlphaGo，識(shí)別人臉的圖像識(shí)別模型，識(shí)別語音語義的智能語音助手等等。這些機(jī)器學(xué)習(xí)的系統(tǒng)都只面向特定的任務(wù)，目前很少有模型能真正突破狹義機(jī)器學(xué)習(xí)的限制，有能力學(xué)習(xí)多種不同領(lǐng)域任務(wù)。

近日雷鋒網(wǎng)了解到，谷歌在博客上發(fā)表了文章，提出了自己研發(fā)的新機(jī)器學(xué)習(xí)系統(tǒng)MultiModel，一個(gè)有能力處理多個(gè)任務(wù)的機(jī)器學(xué)習(xí)模型。這一模型由多倫多大學(xué)計(jì)算機(jī)科學(xué)機(jī)器學(xué)習(xí)小組研究員?ukaszKaiser，Google Brain Team高級(jí)研究科學(xué)家Aidan N. Gomez 聯(lián)合發(fā)布，以下是雷鋒網(wǎng)對(duì)MultiModel文章的翻譯：

在過去十年里，深度學(xué)習(xí)的應(yīng)用和表現(xiàn)都是以驚人的速度高速發(fā)展著。然而，目前這一領(lǐng)域的神經(jīng)網(wǎng)絡(luò)架構(gòu)對(duì)于特定的應(yīng)用領(lǐng)域都是高度集中化的，一直有一個(gè)重要的問題仍然沒有被解決：領(lǐng)域之間的融合，能否有助于統(tǒng)一模型在多個(gè)領(lǐng)域都表現(xiàn)良好？?

今天，谷歌研究院提出了MultiModel，這是一個(gè)在視覺，語言和音頻網(wǎng)絡(luò)任務(wù)中都表現(xiàn)良好的的神經(jīng)網(wǎng)絡(luò)架構(gòu)，它能夠同時(shí)解決跨越多個(gè)領(lǐng)域的多個(gè)問題，包括圖像識(shí)別，翻譯和語音識(shí)別。盡管在Google翻譯也曾經(jīng)使用過Google多語種神經(jīng)機(jī)器翻譯系統(tǒng)，在解決多任務(wù)領(lǐng)域有所進(jìn)步，但MultiModel是首先將視覺，音頻和語言理解融入單一網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型。

MultiModel處理多領(lǐng)域的靈感來自于人類大腦，人類大腦是如何將不同模式（如聲音，視覺或味覺）的感官輸入轉(zhuǎn)化為單一的表達(dá)形式，并以語言或動(dòng)作的形式給予反饋的呢？通過模擬大腦對(duì)這些模式和對(duì)它們所進(jìn)行的轉(zhuǎn)換，MultiModel有很多的子網(wǎng)絡(luò)，用于音頻，圖像或文本等特定形態(tài)的任務(wù)，MultiModel由編碼器，輸入/輸出混合器和解碼器組成共享模型，如下圖所示。

MultiModel結(jié)構(gòu)：小型特定子網(wǎng)絡(luò)與共享編碼器，I / O混合器和解碼器一起工作。每個(gè)小花瓣代表一種形態(tài)，轉(zhuǎn)化為內(nèi)在的表征（source：googleblog）

MultiModel能夠同時(shí)學(xué)習(xí)八種不同的任務(wù)：它可以檢測圖像中的物體，提供字幕，識(shí)別語音，翻譯四種語言，同時(shí)進(jìn)行語法解析。給定的輸入和一個(gè)非常簡單的信號(hào)一起，該信號(hào)決定了我們要求的輸出形式。

在設(shè)計(jì)MultiModel時(shí)，很明顯有一些研究領(lǐng)域（視覺，語言和音頻）的某些元素，對(duì)于模型在相關(guān)任務(wù)中取得成功是及其重要的。谷歌研究院證明，這些計(jì)算原語（如卷積，注意力或?qū)＜一旌蠈?#xff09;可以顯著提高模型在原本應(yīng)用領(lǐng)域的性能，同時(shí)不會(huì)影響MultiModel在其他任務(wù)中的性能。MultiModel不僅可以在多個(gè)任務(wù)聯(lián)合訓(xùn)練上取得良好的表現(xiàn)，而且在數(shù)量有限的任務(wù)上，也可能實(shí)際提高性能。令我們感到驚訝的是，即使這些任務(wù)來自完全不同的領(lǐng)域，這種現(xiàn)象（性能提高）仍然存在。例如，圖像識(shí)別任務(wù)可以提高語言任務(wù)的性能。?

重要的是，雖然MultiModel沒有刷新最優(yōu)性能記錄，但它確實(shí)提供了一種新的思維，增加了團(tuán)隊(duì)對(duì)神經(jīng)網(wǎng)絡(luò)中多域多任務(wù)學(xué)習(xí)的了解，以及通過引入輔助任務(wù)（auxiliary task）來解決在數(shù)據(jù)有限時(shí)訓(xùn)練模型的問題。在機(jī)器學(xué)習(xí)中有一種說法：“最好的正則化方法就是引入更多的數(shù)據(jù)”；而在MultiModel中，這些數(shù)據(jù)可以通過多領(lǐng)域獲取，因此比以前獲取數(shù)據(jù)要更加容易。 MultiModel表明，與其他任務(wù)相結(jié)合的訓(xùn)練可以獲得良好的效果，并能夠在數(shù)據(jù)有限的情況下提供模型的性能。

關(guān)于多域機(jī)器學(xué)習(xí)的許多疑問尚待研究，谷歌研究院將繼續(xù)致力于優(yōu)化Multimodel，提高它的性能。為了使這項(xiàng)研究能夠更快發(fā)展，MultiModel將在Tensor2Tensor庫中開發(fā)。谷歌研究院認(rèn)為，對(duì)來自多個(gè)領(lǐng)域的數(shù)據(jù)進(jìn)行聯(lián)合訓(xùn)練的協(xié)同模式將成為深度學(xué)習(xí)的下一個(gè)研究方向，并將最終突破狹義訓(xùn)練網(wǎng)絡(luò)的限制。

本文作者：晞萌

編輯：郭奕欣

2017-06-22 16:21

總結(jié)

以上是生活随笔為你收集整理的谷歌研发能处理多域多任务的机器学习模型——MultiModel的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。