基于機器學(xué)習(xí)的效用和理論理解機器學(xué)習(xí)幾大領(lǐng)域未來進展預(yù)測

知其然，知其所以然。

機器學(xué)習(xí)領(lǐng)域近年的發(fā)展非常迅速，然而我們對機器學(xué)習(xí)理論的理解還很有限，有些模型的實驗效果甚至超出了我們對基礎(chǔ)理論的理解。

目前，領(lǐng)域內(nèi)越來越多的研究者開始重視和反思這個問題。近日，一位名為 Aidan Cooper 的數(shù)據(jù)科學(xué)家撰寫了一篇博客，梳理了模型的實驗結(jié)果和基礎(chǔ)理論之間的關(guān)系。以下是博客原文：

機器學(xué)習(xí)領(lǐng)域中，有些模型非常有效，但我們并不能完全確定其原因。相反，一些相對容易理解的研究領(lǐng)域則在實踐中適用性有限。本文基于機器學(xué)習(xí)的效用和理論理解，探討各個子領(lǐng)域的進展。

這里的「實驗效用」是一種綜合考量，它考慮了一種方法的適用性廣度、實施的難易程度，以及最重要的因素，即現(xiàn)實世界中的有用程度。有些方法不僅實用性高，適用范圍也很廣；而有些方法雖然很強大，但僅限于特定的領(lǐng)域。可靠、可預(yù)測且沒有重大缺陷的方法則被認(rèn)為具有更高的效用。

所謂理論理解，就是要考慮模型方法的可解釋性，即輸入與輸出之間是什么關(guān)系，怎樣才能獲得預(yù)期的結(jié)果，這種方法的內(nèi)部機制是什么，并考量方法涉及文獻的深度和完整性。

理論理解程度低的方法在實現(xiàn)時通常會采用啟發(fā)式方法或大量試錯法；理論理解程度高的方法往往具有公式化的實現(xiàn)，具有強大的理論基礎(chǔ)和可預(yù)測的結(jié)果。較簡單的方法（例如線性回歸）具有較低的理論上限，而更復(fù)雜的方法（例如深度學(xué)習(xí)）具有更高的理論上限。當(dāng)談到一個領(lǐng)域內(nèi)文獻的深度和完整性時，則根據(jù)該領(lǐng)域假設(shè)的理論上限來評估該領(lǐng)域，這在一定程度上依賴于直覺。

我們可以將效用矩陣構(gòu)造為四個象限，坐標(biāo)軸的交點代表一個假設(shè)的參考領(lǐng)域，具有平均理解和平均效用。這種方法使得我們能夠根據(jù)各領(lǐng)域所在的象限以定性的方式解釋它們，如下圖所示，給定象限中的領(lǐng)域可能具有部分或全部該象限對應(yīng)的特征。

一般來說，我們期望效用和理解是松散相關(guān)的，使得理論理解程度高的方法比理解程度低的更有用。這意味著大多數(shù)領(lǐng)域應(yīng)位于左下象限或右上象限。遠離左下 - 右上對角線的領(lǐng)域代表著例外情況。通常，實際效用應(yīng)落后于理論，因為將新生的研究理論轉(zhuǎn)化為實際應(yīng)用需要時間。因此，該對角線應(yīng)該位于原點上方，而不是直接穿過它。

2022 年的機器學(xué)習(xí)領(lǐng)域

并非上圖所有領(lǐng)域都完全包含在機器學(xué)習(xí) (ML) 中，但它們都可以應(yīng)用于 ML 的語境中或與之密切相關(guān)。許多被評估的領(lǐng)域是重疊的，并且無法清晰地描述：強化學(xué)習(xí)、聯(lián)邦學(xué)習(xí)和圖 ML 的高級方法通常基于深度學(xué)習(xí)。因此，我考慮了它們理論與實際效用的非深度學(xué)習(xí)方面。

右上象限：高理解、高效用

線性回歸是一種簡單、易于理解且高效的方法。雖然經(jīng)常被低估和忽視。，但它的使用廣度和透徹的理論基礎(chǔ)讓其處于圖中右上角的位置。

傳統(tǒng)的機器學(xué)習(xí)已經(jīng)發(fā)展為一個高度理論理解和實用的領(lǐng)域。復(fù)雜的 ML 算法，例如梯度提升決策樹（GBDT），已被證明在一些復(fù)雜的預(yù)測任務(wù)中通常優(yōu)于線性回歸。大數(shù)據(jù)問題無疑就是這種情況?？梢哉f，對過參數(shù)化模型的理論理解仍然存在漏洞，但實現(xiàn)機器學(xué)習(xí)是一個精細(xì)的方法論過程，只要做得好，模型在行業(yè)內(nèi)也能可靠地運行。

然而，額外的復(fù)雜性和靈活性確實會導(dǎo)致出現(xiàn)一些錯誤，這就是為什么我將機器學(xué)習(xí)放在線性回歸的左側(cè)。一般來說，有監(jiān)督的機器學(xué)習(xí)比它的無監(jiān)督 * 對應(yīng)物更精細(xì)，更有影響力，但兩種方法都有效地解決了不同的問題空間。

貝葉斯方法擁有一群狂熱的從業(yè)者，他們宣揚它優(yōu)于更流行的經(jīng)典統(tǒng)計方法。在某些情況下，貝葉斯模型特別有用：僅點估計是不夠的，不確定性的估計很重要；當(dāng)數(shù)據(jù)有限或高度缺失時；并且當(dāng)您了解要在模型中明確包含的數(shù)據(jù)生成過程時。貝葉斯模型的實用性受到以下事實的限制：對于許多問題，點估計已經(jīng)足夠好，人們只是默認(rèn)使用非貝葉斯方法。更重要的是，有一些方法可以量化傳統(tǒng) ML 的不確定性（它們只是很少使用）。通常，將 ML 算法簡單地應(yīng)用于數(shù)據(jù)會更容易，而不必考慮數(shù)據(jù)生成機制和先驗。貝葉斯模型在計算上也很昂貴，并且如果理論進步產(chǎn)生更好的采樣和近似方法，那么它會具有更高的實用性。

右下象限：低理解，高效用

與大多數(shù)領(lǐng)域的進展相反，深度學(xué)習(xí)取得了一些驚人的成功，盡管理論方面被證明從根本上難以取得進展。深度學(xué)習(xí)體現(xiàn)了一種鮮為人知的方法的許多特征：模型不穩(wěn)定、難以可靠地構(gòu)建、基于弱啟發(fā)式進行配置以及產(chǎn)生不可預(yù)測的結(jié)果。諸如隨機種子 “調(diào)整” 之類的可疑做法非常普遍，而且工作模型的機制也很難解釋。然而，深度學(xué)習(xí)繼續(xù)推進并在計算機視覺和自然語言處理等領(lǐng)域達到超人的性能水平，開辟了一個充滿其他難以理解的任務(wù)的世界，如自動駕駛。

假設(shè)，通用 AI 將占據(jù)右下角，因為根據(jù)定義，超級智能超出了人類的理解范圍，可以用于解決任何問題。目前，它僅作為思想實驗包含在內(nèi)。

每個象限的定性描述。字段可以通過其對應(yīng)區(qū)域中的部分或全部描述來描述

左上象限：高理解，低效用

大多數(shù)形式的因果推理不是機器學(xué)習(xí)，但有時是，并且總是對預(yù)測模型感興趣。因果關(guān)系可以分為隨機對照試驗 (RCT) 與更復(fù)雜的因果推理方法，后者試圖從觀察數(shù)據(jù)中測量因果關(guān)系。RCT 在理論上很簡單并給出嚴(yán)格的結(jié)果，但在現(xiàn)實世界中進行通常既昂貴又不切實際——如果不是不可能的話——因此效用有限。因果推理方法本質(zhì)上是模仿 RCT，而無需做任何事情，這使得它們的執(zhí)行難度大大降低，但有許多限制和陷阱可能使結(jié)果無效?？傮w而言，因果關(guān)系仍然是一個令人沮喪的追求，其中當(dāng)前的方法通常不能滿足我們想要提出的問題，除非這些問題可以通過隨機對照試驗進行探索，或者它們恰好適合某些框架（例如，作為 “自然實驗” 的偶然結(jié)果）。

聯(lián)邦學(xué)習(xí)（FL）是一個很酷的概念，卻很少受到關(guān)注 - 可能是因為它最引人注目的應(yīng)用程序需要分發(fā)到大量智能手機設(shè)備，因此 FL 只有兩個參與者才能真正研究：Apple 和谷歌。FL 存在其他用例，例如匯集專有數(shù)據(jù)集，但協(xié)調(diào)這些舉措存在政治和后勤挑戰(zhàn)，限制了它們在實踐中的效用。盡管如此，對于聽起來像是一個奇特的概念（大致概括為：“將模型引入數(shù)據(jù)，而不是將數(shù)據(jù)引入模型”），F(xiàn)L 是有效的，并且在鍵盤文本預(yù)測和個性化新聞推薦等領(lǐng)域有切實的成功案例. FL 背后的基本理論和技術(shù)似乎足以讓 FL 得到更廣泛的應(yīng)用。

強化學(xué)習(xí)（RL）在國際象棋、圍棋、撲克和 DotA 等游戲中達到了前所未有的能力水平。但在視頻游戲和模擬環(huán)境之外，強化學(xué)習(xí)還沒有令人信服地轉(zhuǎn)化為現(xiàn)實世界的應(yīng)用程序。機器人技術(shù)本應(yīng)成為 RL 的下一個前沿領(lǐng)域，但這并沒有實現(xiàn)——現(xiàn)實似乎比高度受限的玩具環(huán)境更具挑戰(zhàn)性。也就是說，到目前為止，RL 的成就是鼓舞人心的，真正喜歡國際象棋的人可能會認(rèn)為它的效用應(yīng)該更高。我希望看到 RL 在將其置于矩陣右側(cè)之前實現(xiàn)其一些潛在的實際應(yīng)用。

左下象限：低理解，低效用

圖神經(jīng)網(wǎng)絡(luò)（GNN）現(xiàn)在是機器學(xué)習(xí)中一個非常熱門的領(lǐng)域，在多個領(lǐng)域都取得了可喜的成果。但是對于其中許多示例，尚不清楚 GNN 是否比使用更傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)與深度學(xué)習(xí)架構(gòu)配對的替代方法更好。數(shù)據(jù)自然是圖結(jié)構(gòu)的問題，例如化學(xué)信息學(xué)中的分子，似乎具有更引人注目的 GNN 結(jié)果（盡管這些通常不如非圖相關(guān)的方法）。與大多數(shù)領(lǐng)域相比，用于大規(guī)模訓(xùn)練 GNN 的開源工具與工業(yè)中使用的內(nèi)部工具之間似乎存在很大差異，這限制了大型 GNN 在這些圍墻花園之外的可行性。該領(lǐng)域的復(fù)雜性和廣度表明理論上限很高，因此 GNN 應(yīng)該有成熟的空間并令人信服地展示某些任務(wù)的優(yōu)勢，這將導(dǎo)致更大的實用性。GNN 也可以從技術(shù)進步中受益，因為圖目前不能自然地適用于現(xiàn)有的計算硬件。

可解釋的機器學(xué)習(xí)（IML）是一個重要且有前途的領(lǐng)域，并繼續(xù)受到關(guān)注。SHAP 和 LIME 等技術(shù)已經(jīng)成為真正有用的工具來詢問 ML 模型。然而，由于采用有限，現(xiàn)有方法的效用尚未完全實現(xiàn)——尚未建立健全的最佳實踐和實施指南。然而，IML 目前的主要弱點是它沒有解決我們真正感興趣的因果問題。IML 解釋了模型如何進行預(yù)測，但沒有解釋基礎(chǔ)數(shù)據(jù)如何與它們因果關(guān)系（盡管經(jīng)常被錯誤地解釋像這樣）。在取得重大理論進展之前，IML 的合法用途大多僅限于模型調(diào)試 / 監(jiān)控和假設(shè)生成。

量子機器學(xué)習(xí)（QML）遠遠超出我的駕駛室，但目前似乎是一個假設(shè)性的練習(xí)，耐心等待可行的量子計算機可用。在那之前，QML 微不足道地坐在左下角。

漸進式進步、技術(shù)飛躍和范式轉(zhuǎn)變

領(lǐng)域內(nèi)主要通過三種主要機制來遍歷理論理解與經(jīng)驗效用矩陣（圖 2）。

字段可以遍歷矩陣的方式的說明性示例。

漸進式進展是緩慢而穩(wěn)定的進展，它在矩陣的右側(cè)向上移動英寸場。過去幾十年的監(jiān)督機器學(xué)習(xí)就是一個很好的例子，在此期間，越來越有效的預(yù)測算法被改進和采用，為我們提供了我們今天喜歡的強大工具箱。漸進式進步是所有成熟領(lǐng)域的現(xiàn)狀，除了由于技術(shù)飛躍和范式轉(zhuǎn)變而經(jīng)歷更劇烈運動的時期之外。

由于由于技術(shù)的飛躍，一些領(lǐng)域看到了科學(xué)進步的階梯式變化。* 深度學(xué)習(xí) * 領(lǐng)域并沒有被它的理論基礎(chǔ)所解開，這些基礎(chǔ)是在 2010 年代深度學(xué)習(xí)熱潮之前 20 多年發(fā)現(xiàn)的——它是由消費級 GPU 支持的并行處理推動了它的復(fù)興。技術(shù)飛躍通常表現(xiàn)為沿經(jīng)驗效用軸向右跳躍。然而，并非所有以技術(shù)為主導(dǎo)的進步都是飛躍。今天的深度學(xué)習(xí)的特點是通過使用更多的計算能力和越來越專業(yè)的硬件訓(xùn)練越來越大的模型來實現(xiàn)漸進式進步。

在這個框架內(nèi)科學(xué)進步的最終機制是范式轉(zhuǎn)變。正如托馬斯 · 庫恩（Thomas Kuhn）在他的著作《科學(xué)革命的結(jié)構(gòu)》中所指出的，范式轉(zhuǎn)變代表了科學(xué)學(xué)科的基本概念和實驗實踐的重要變化。Donald Rubin 和 Judea Pearl 開創(chuàng)的因果框架就是這樣一個例子，它將因果關(guān)系領(lǐng)域從隨機對照試驗和傳統(tǒng)統(tǒng)計分析提升為更強大的數(shù)學(xué)化學(xué)科，形式為因果推理。范式轉(zhuǎn)變通常表現(xiàn)為理解的向上運動，這可能會跟隨或伴隨著效用的增加。

然而，范式轉(zhuǎn)換可以在任何方向上遍歷矩陣。當(dāng)神經(jīng)網(wǎng)絡(luò)（以及隨后的深度神經(jīng)網(wǎng)絡(luò)）將自己確立為傳統(tǒng) ML 的獨立范式時，這最初對應(yīng)于實用性和理解力的下降。許多新興領(lǐng)域以這種方式從更成熟的研究領(lǐng)域分支出來。

預(yù)測和深度學(xué)習(xí)的科學(xué)革命

總而言之，以下是我認(rèn)為未來可能發(fā)生的一些推測性預(yù)測（表 1）。右上象限中的字段被省略，因為它們太成熟而看不到重大進展。