[论文阅读]Matching Networks for One Shot Learning

引入

也是一种Metric-based模型. 孪生模型(Siamese Neural Network)在训练和测试的时候使用的样本是以对pair的形式, 判断两张图片, 两句短文本等等是不是属于同一样本. 使用pair这种形式天生的劣势, 在训练和测试时, 如何合适的构造样本都是需要一定的策略的. 例如在训练时相同分类和不同分类的样本比例应为1:1等等.

而Matching Network使用了不同的逻辑, 它的训练和测试样本不再是一对对图片, 文本, 而是如同普通模型一样使用单个样本. 当然在One-shot任务中, 还是要分为support set和batch set的, 只不过set中的每个样本不再是一对图片, 而是一张图片.

Matching Network是一个端到端的模型. 它的结构设计处于以下考虑:

• 在判断新图片的分类时(上图右侧单图), 能够充分使用support set(上图左侧四图)中的信息. 具体来说是将新图的类别结果来源于support set中的样本标签. 这在Siamese Neural Network中是不存在

• 新图的标签预测类似于Nearest Neighbors或KDE机制, 比较与support set中样本的近似程度, 通过一定的策略/规则(如相似度加权)从supprot set中的标签, 得到预测标签. 这种类似于Nearest Neighbors或KDE的方法是non-parametric的

• 对于新的之前从未观测到的类别, 可以直接使用模型在这些类别上进行预测得到高质量的结果, 而且不用对训练好的模型做任何操作

模型解释

基本结构

先从模型的最后部分, 如何得到预测样本的类别来看.

对于包含$k$个样本的support set, 将一个样本的(image, labal)对记为$S=\left\{\left(x_{i}, y_{i}\right)\right\}_{i=1}^{k}$. 对于新的预测样本$\hat{x}$, 希望得到高质量的预测$\hat{y}$.

训练好的模型既是一个映射函数$c_{S}(\hat{x})$, 可以看到样本的预测结果是和support set $S$紧密相关的, 因此可以将模型记为$P(\hat{y} | \hat{x}, S)$. 因此test样本的预测类别为:

$\arg \max _{y} P(y | \hat{x}, S)$

对于test样本, 使用attention思想去计算它的预测类别$\hat{y}$:

$\hat{y}=\sum_{i=1}^{k} a\left(\hat{x}, x_{i}\right) y_{i}$

测试样本与support set中每个样本的注意力计算方法如下, 其中$c$为余弦距离, 而$f$和$g$分别是对test和support表征的函数, 简单来说可以是一些图像或者文本的表征神经网络, 输出表征向量:

$a\left(\hat{x}, x_{i}\right)=e^{c\left(f(\hat{x}), g\left(x_{i}\right)\right)} / \sum_{j=1}^{k} e^{c\left(f(\hat{x}), g\left(x_{j}\right)\right)}$

这种机制在文中被称为使用了attention mechanism, 实质上是将support set中的每个样本的表征向量依次与待预测样本的表征向量点积, 然后使用softmax函数进行归一化, 使用这个归一化的权重值, 对support set中所有样本的标签进行加权, 得到预测样本在support set包含的所有类别上的概率值.

这里求取test样本的类别使用了attention mechanism完成了类似于KDE的效果. 这种方法充分里使用support set中的信息. 相比而言, 以下常用的方法都有着明显的缺点:

• 最邻近: 也是依次计算test和support set中每个样本的相似度, 然后选择最相似的样本, 以这个样本的类别作为test样本的预测类别

  • 最终只使用了support set中一个样本的信息, 丢弃了大量信息

  • 这种方法类似于kNN(k Nearest Neighbors)机制

Full Context Embeddings

这是论文中比较重要的一部分, 但在实际使用中可以选择性使用. 这一章节的目的是使用不同的方法, 分别对test和support set中的样本进行更好的表征, 充分利用support set中的信息. 当然如果不使用本章节的结构, 直接使用神经网络表征器(test, support set共享一套参数)也是可以的.

在目前为止的框架中, 我们使用$f$和$g$对test和support set中的样本进行embedding, 然后使用attend, point, knn等形式得到对test的类别预测. 这样的形式有两个不足:

• support set中的每个样本$x_i$是相互独立的, 得到embedding向量$g(x_i)$的过程也是相互独立的, 互相之间不影响
• test样本$\hat{x}$也是用过$f(\hat{x})$来得到embedding向量的, 而且现在的$f$和$g$使用的是同样的抽取器. 但由于$\hat{x}$的类别是由support set中的样本决定的, 那么$\hat{x}$的embedding向量$f(\hat{x})$的抽取, support set也应当参与进来

因此使用Full Context Embeddings这种思想的引领下, 希望对support set中的每个样本$x_i$以及test样本$\hat{x}$的样本的embedding, 都应该受到整个support set $S$的影响.

分别来说.

Full Context Embeddings $g$

对于support set中的样本$x_i$, 它的embedding向量就由$g(x_i)$变为了$g(x_i, S)$. 至于为什么这么做, 作者是这样解释的:

This could be useful when some element $x_j$ is very close to $x_i$, in which case it may be beneficial to change the function with which we embed $x_i$.

如何做到整个support set $S$去影响样本$x_i$的表征过程呢? 论文中使用了bi-LSTM去对$x_i$进行编码. 使用这种方法, 就需要把support set中的所有样本考虑成一个序列, 一个一个进行输入, 依次得到每个样本的$x_i$的表征向量.

这里就产生了一个新的问题, 原来support set中无序的样本, 如何合理的进行排序. 文章参考了Order Matters: Sequence to sequence for sets这篇论文中的方法.

具体来说, 将原来的表征器得到表征向量(样本之间相互独立)重新记为$g^{\prime}\left(x_{i}\right)$, 样本新的表征$g(x_i, S)$为:

$g\left(x_{i}, S\right)=\vec{h}_{i}+\overleftarrow{h}_{i}+g^{\prime}\left(x_{i}\right)$

即原始表征向量$g^{\prime}\left(x_{i}\right)$和bi-LSTM对应输入位置的隐向量的加和:

$\begin{aligned} \vec{h}_{i}, \vec{c}_{i} &=\operatorname{LSTM}\left(g^{\prime}\left(x_{i}\right), \vec{h}_{i-1}, \vec{c}_{i-1}\right) \\ \overleftarrow{h}_{i}, \overleftarrow{c}_{i} &=\operatorname{LSTM}\left(g^{\prime}\left(x_{i}\right), \overleftarrow{h}_{i+1}, \overline{c}_{i+1}\right) \end{aligned}$

本质上相当于使用bi-LSTM结构对support set中的样本序列进行表征, 但添加了一个skip connection结构, 即最后加上的$g^{\prime}\left(x_{i}\right)$, 加快了训练的速度和鲁棒性.

Full Context Embeddings $f$

对于test样本$\hat{x}$, 这里也使用一种带attention的LSMT结构进行表征, 注意这里的LSTM与上面对support set中样本表征使用的是不同的网络(单向, 双向就能体现出来), 由于这里的表征也使用到了整个support set, 因此将新的表征向量记为:

$f(\hat{x}, S)=\operatorname{attL} \operatorname{STM}\left(f^{\prime}(\hat{x}), g(S), K\right)$

其中$f^{\prime}(\hat{x})$是原始的表征器对test样本的表征向量. $K$是固定的数值, 代表这里LSTM推进的步数. $g(S)$是一个集合, 包含了support set中每个样本的表征向量(full content embeddings得到的).

具体来说, 在执行到第$k$步时, 使用如下的方式得到这一步的隐向量:

$\hat{h}_{k}, c_{k}=\operatorname{LSTM}\left(f^{\prime}(\hat{x}),\left[h_{k-1}, r_{k-1}\right], c_{k-1}\right)$

需要注意:

• 无论在哪一步, 输入都是固定的$f^{\prime}(\hat{x})$, 即原始的test样本的表征向量
• 这里使用的LSTM中的隐向量是$h_{k-1}$和$r_{k-1}$拼接得到的. 因此长度是输入表征向量的两倍, 对输出的维度没有影响

得到这一步LSTM隐向量之后, 这一步的最终输出如下表示:

$h_{k}=\hat{h}_{k}+f^{\prime}(\hat{x})$

至此, 得隐向量还都是只与test样本相关的, 没有引入support set的作用. 而我们需要通过$r_{k-1}$引入support set中的信息. 为此, 在这一步得到隐向量之后, 计算这个隐向量与support set中所有样本的$x_i$的表征向量$g(x_i)$的关系, 这一步也称为计算content based attention.

$a\left(h_{k}, g\left(x_{i}\right)\right)=\operatorname{softmax}\left(h_{k}^{T} g\left(x_{i}\right)\right)$

然后使用这个attention值作为权重, 对support set中所有的表征向量进行加权求和, 得到$r_k$.

$r_{k}=\sum_{i=1}^{|S|} a\left(h_{k}, g\left(x_{i}\right)\right) g\left(x_{i}\right)$

然后再将这个向量与计算得到的这一步的隐向量$h_k$拼接起来, 作为当前LSTM网络的隐向量, 继续下一步的执行.

因为这里的LSTM要执行$K$步, 就取最后一步的输出$h_K$, $\operatorname{attLSTM}\left(f^{\prime}(\hat{x}), g(S), K\right)=h_{K}$作为最终对test样本的表征向量$f(\hat{x})$.

训练策略

$\theta=\arg \max _{\theta} E_{L \sim T}\left[E_{S \sim L, B \sim L}\left[\sum_{(x, y) \in B} \log P_{\theta}(y | x, S)\right]\right]$

$\theta$既是模型中需要训练的参数. 作为一种meta-learning模型, 首先从task$T$中抽样一次episode(meta-learning中一次训练, 即support set + batch set)所需要的label set $L$, 然后再从每个抽取到的label对应的样本集中, 抽取一定的样本, 从而组成了n-way k-shot的训练方法.

需要注意的是, 如果用来测试的$T^{\prime}$与用来训练的$T$差距很大(例如判断动物类别和检测检测人脸)的话, 得到的结果也是不准确的.

代码

代码参考repository: markdtw/matching-networks. model.py中定义了Matching Networks, main.py中包含了数据集划分为train和test集合的方法, 以及整个训练的过程. 下面是一些需要注意的细节, 帮助更好的理解模型.

首先是计算test样本与support set样本中每个样本的相似度:

def cosine_similarity(self, target, support_set):
    """the c() function that calculate the cosine similarity between (embedded) support set and (embedded) target

    note: the author uses one-sided cosine similarity as zergylord said in his repo (zergylord/oneshot)
    """
    #target_normed = tf.nn.l2_normalize(target, 1) # (batch_size, 64)
    target_normed = target
    sup_similarity = []
    for i in tf.unstack(support_set):
        i_normed = tf.nn.l2_normalize(i, 1) # (batch_size, 64)
        similarity = tf.matmul(tf.expand_dims(target_normed, 1), tf.expand_dims(i_normed, 2)) # (batch_size, )
        sup_similarity.append(similarity)

    return tf.squeeze(tf.stack(sup_similarity, axis=1)) # (batch_size, n * k)

这里使用了one-sided cosine similarity.(but why?)