十三 发自 凹非寺量子位 报道 | 公众号 QbitAI
深度神经 这个黑箱子，似乎有了更清晰的轮廓。
我们都知道深度神经 性能十分强大，但具体效果为什么这么好，权重为什么要这么分配，可能连“设计者”自己都不知道如何解释。
最近，一项来自UC伯克利和波士顿大学的研究，就对这个黑箱子做了进一步的解密：
经过训练和权重修剪的多层感知器 (MLP)，与具有相同权重分布的随机 相比，通常模块化程度更高。
也就是说，在特定条件下，深度神经 是模块化(modularity)的。
研究人员认为：
了解神经 的模块化结构，可以让研究工作者更容易理解神经 内部的工作原理。
这项研究已提交ICML 2020，也已在GitHub开源(见文末“传送门”)。
将神经 模块化
为什么要用模块化来研究深度神经 呢？
首先，模块化系统允许分析系统的研究人员，检查单个模块的功能，并将他们对单个模块的理解合并为对整个系统的理解。
其次，神经 由不同的层(layer)组成，在定义 时，不同的层可以单独配置。
而通过实验，研究人员发现：
一个深度神经 是模块化的，它可以被分割成神经元***，其中每个神经元***内部高度连接，但***之间的连接度很低。
更具体点来说，研究人员使用图聚类(graph clustering)算法将训练好的 分解成集群，并将每个集群视为一个“模块”。
采用的聚类算法叫做谱聚类 (spectral clustering)，用它来计算一个划分(partition)以及评估一个聚类的n-cut。
△将神经 模块化
通俗点来说，就是：
先把数据转换为图，所有的数据看做是空间中的点，点和点之间用边相连。距离较远的两个点，它们之间边的权重值较低，距离较近的两点之间边的权重值较高。
接下来，进行n-cut操作，也就是切图。目标就是要让切图后不同的子图间“边权重和”尽可能的低，而子图内的“边权重和”尽可能的高。
那么，实验结果又如何呢？
实验主要采用了3个数据集，分别是MNIST、Fashion-MNIST和CIFAR10，并在每个数据集上训练了10次。
△在每个数据集上训练10次后的结果
可以看到，对MNIST测试的正确率为98%，Fashion-MNIST的正确率为90%，而CIFAR-10的正确率为40%。修剪后的 通常比随机 具有更好的聚类性。
下图显示了在剪枝前和剪枝后，所有受训练 的n-cut和测试精度结果。
△每个训练 的n-cut和精度的散点图
为了帮助解释这些n-cut值，研究人员还对200个随机初始化的 进行了聚类，n-cut的分布如下图所示。
△200个随机初始化 n-cut分布的直方图和核密度估计
当然，作者也指出一点，这项研究的定义只涉及到 的学习权值(learned weight)，而不是数据分布，更不是模型的输出或激活的分布。
模块之间的重要性和依赖性
那么，这些模块之间的又有怎样的关联呢？
研究人员进一步评估了不同模块之间的重要性和关系。
在神经科学领域中，要想确定大脑某个区域的功能，有一种 是研究这个区域意外受损的患者的行为，叫做损伤实验 (lesion experiment)。
类似的，研究人员也采用了这样的 ：
通过将模块的神经元激活设置为0，来研究模块的重要性，并观察 如何准确地对输入进行分类。
在这项实验中，“损伤”的原子单位是每个模块与每个隐含层的交集，称之为“子模块”。
重要性
对于每个子模块，将传入组成神经元的所有权重设置为0，并保持 的其余部分不变。
然后，确定受损 的测试集精度，特别是它比整个 的精度低了多少。
△使用剪枝和dropout在Fashion-MNIST上训练后，不同子模块的绘图
如上图所示，重要的子模块会先标记它的层号，然后再标记模块号。横轴表示该层神经元在子模块中的比例，纵轴表示由于子模块受损而导致精度的下降。
这项实验表明，许多子模块太小，不能算作重要模块，而许多子模块在统计上有显著影响，但在实际中却不显著。然而，有些子模块显然对 的运作具有实质的重要性。
依赖性
既然已经知道了哪些子模块是重要的，那么更好还能够理解这些重要的子模块是如何相互依赖的。
为了做到这一点，研究人员在不同的层中破坏两个不同的重要子模块，称之为X和Y。
通过实验，研究人员得到了如下结论：
如果X在Y上不是重要条件，且Y在X上也不是重要条件，那么来自X上的所有信息都传递给了Y。
如果X不是以Y为重要条件，而Y是以X为重要条件，则X将其所有信息发送给Y，并且Y还从其他子模块中接收到了信息。
如果Y不是以X为条件的重要条件，而是X是以Y为条件的重要条件，则认为Y从X接收其所有信息，然后X将信息发送到其他子模块。
如果X和Y都是彼此重要的条件，则无法得出任何结论。
△Daniel Filan
Daniel Filan，加州大学伯克利分校的博士生。本科就读于澳大利亚国立大学，学习强化学习理论、数学和理论物理。
△Shlomi Hod
Shlomi Hod，波士顿大学计算机系博士生。感兴趣的领域是 responsible AI，尤其是算法和机器学习系统对社会的影响。
传送门
论文地址：https://arxiv.org/abs/2003.04881
GitHub项目地址：https://github.com/nn-surprisingly-modular-icml-2020/nn_modularity
— 完 —
量子位 QbitAI · 头条号签约
关注我们，之一时间获知前沿科技动态
