2021深度学习哪些方向？未饱和、有潜力、处于上升期？

╰+攻爆jí腚メ 2022-10-07 00:41 168阅读 0赞

作者丨知乎谢凌曦、数据误码率、Zhifeng  编辑丨极市平台

![1044dc9263b11803b361fbf44f2a7950.png][]

问题链接：

https://www.zhihu.com/question/460500204

**0**

**1**

**作者：谢凌曦**

来源链接：

https://www.zhihu.com/question/460500204/answer/1930151239

注：本回答所有内容均只代表作者本人观点，均有可能被推翻，二次转载务必连同声明一起转载。

我的主要研究方向是计算机视觉，所以本文也会比较偏重CV方向。

## **1. 不适合的研究方向** ##

首先我要反对两个方向：**对比学习为代表的自监督学习算法（包括BYOL等）和Transformer**。它们的上限几乎是肉眼可见的，在没有非平凡的改进之前，很难有本质上的突破。在大量研究者投入精力的情况下，只要没有持续的产出，就必然会导致其加速衰落。前些年盛极一时的网络架构搜索（NAS）就是一个非常典型的例子。

我们首先分析NAS、对比学习、Transformer的局限性：

（1） 原本以NAS为代表的AutoML技术受到了广泛的期待，我还主张“自动机器学习之于深度学习，就好比深度学习之于传统方法”，不过后来发现它的缺陷是明显的。在搜索空间指数级扩大之后，算法就必须在精度和速度之间做出选择。后来盛行的权重共享类搜索方法，相当于追求搜索空间中的平摊精度，而平摊精度与最佳个体的精度往往并不吻合。

（2）对比学习被广泛引入图像领域作为自监督任务以后，前世代的自监督算法（如预测旋转、拼图、上色等）纷纷被吊打，甚至开始在下游任务中超越有监督训练的模型。然而，当前的对比学习类方法（包括BYOL）对于数据扩增（data augmentation）的依赖过重，因而不可避免地陷入了invariance和consistency之间的矛盾：强力的augmentation能够促进学习效果，但是如果augmentation过强，不同view之间的可预测性又无法保证。

（3）至于Transformer，虽然目前还处在比较兴盛的状态，然而它的上限也是明显的。除了更快的信息交换，似乎这种模型并没有体现出显著的优势。问题是：CV任务真的需要频繁而快速的视觉信息交换吗？遗憾的是，学界依然沉浸在“先将所有任务用Transformer刷一遍”的廉价快乐中，鲜有人愿意思考一些更深入的问题。

因此，我特别希望初学者不要看到一个热门方向就一拥而上，而要冷静地思考这个问题：**如果全世界都知道这个方向火热，那么你的研究要想脱颖而出，就必然有某些过人之处****——比如你有特别多的卡，或者你有丰富的PR资源。**否则，很可能还是捧红了别人的文章，浪费了自己的时间。

## **2. 应该关注的方向（但未必能够保证产出）** ##

我认为CV领域还是存在很多本质问题没有解决的。但是这些问题往往非常困难，投入长期研究的风险也比较大，因而大部分研究者会回避这些问题。然而要从根源上推进CV的发展，这些问题就不得不去面对、解决：

（1）**是否存在神经网络之外的推理方式？**当前，神经网络成为训练以后的唯一产物，而几乎所有算法均假设将输入送给神经网络以后，一次性地得到输出结果。然而，是否能够设计直接向前传递以外的其他推理方式？例如，当一个物体处于罕见的视角或者被严重遮挡时，能否通过多次迭代式的处理，逐渐恢复其缺失的特征，最终完成识别任务？这就涉及到将强化学习引入训练，或者通过类似于image warping的方式找到一条困难样例和简单样例之间的路径。后者可以导向一个非常本质的问题：**如何以尽可能低的维度刻画语义空间？**GAN以及相关的方法或许能够提供一些思路，但是目前还没有通用的、能够轻易跨越不同domain的方法。

（2）**是否存在更精细的标注方式，能够推进视觉的理解？**我最近提出了一个假想：当前所有的视觉识别算法都远远没有达到完整\[1\]，而这很可能是当前不够精细的标注所导致的。那么，是否能够在可行的范围内，定义一种超越instance segmentation的标注方式，进一步推进视觉识别？这就涉及到一系列根本问题：**什么是一个物体？如何定义一个物体？物体和部件之间有什么联系？**这些问题不得到解决，物体检测和分割将步图像分类的后尘，迅速陷入过拟合的困境。

（3）**如何解决大模型和小样本之间的矛盾？**当前，大模型成为AI领域颇有前景的规模化解决方案。然而，大模型的本质在于，通过预训练阶段大量吸收数据（有标签或者无标签均可），缓解下游小样本学习的压力。这就带来了一个新的矛盾：**大模型看到的数据越多，模型就越需要适应一个广泛而分散的数据分布，因而通过小样本进行局部拟合的难度就越大。**这很可能是制约大模型思路落地的一个瓶颈。

（4）**能否通过各种方式生成接近真实的数据？**生成数据（包括虚拟场景或者GAN生成的数据）很可能会带来新的学习范式，然而这些数据和真实数据之间存在一种难以逾越的domain gap，制约了其在识别任务中发挥作用。我们提出问题：**这种domain gap，本质上是不是特定的识别任务带来的learning bias？**我们希望通过改变学习目标，使得这种domain gap得到缓解甚至消失，从而能够在有朝一日消灭人工标注，真正开启新的学习范式。

（5）**是否存在更高效的人机交互模式？**目前，人机之间的交互效率还很低，我就经常因为为做PPT而头疼不已。我认为AI算法或许会深刻地改变人机交互的模式，使得以下场景变得更容易：**多媒体内容设计和排版、跨模态信息检索、游戏微操作**，等等。多模态算法很可能会在这波“人机交互革命”中发挥重要作用。

在我看来，上述任何一个问题，相比于无止境的烧卡刷点，都要有趣且接近本质，但是风险也要更大一些。因此，大部分研究人员迫于现实压力而选择跟风，是再正常不过的事情。只要有人在认真思考这些问题并且稳步推进它们，AI就不是一个遥不可及的梦。

限于时间，无法将上述每个点写得太仔细；同时限于水平和视野，我也无法囊括所有重要的问题（如可解释性——虽然我对深度学习的可解释性感到悲观，不过看到有学者在这个领域深耕，还是能够感觉到勇气和希望）。

非常欢迎针对各种问题的讨论，也希望这些观点能够引发更多的思考吧。

\[1\] https://zhuanlan.zhihu.com/p/376145664

**0**

**2**

**作者：数据误码率**

来源链接：

https://www.zhihu.com/question/460500204/answer/1915471641

如果以CVPR为CV的导向的话，目前发展大概是这样：

MLP（2012年的前）—>CNN（2012-约2020）—>transformer（2020年以后）—>MLP（？？Google最近又把这玩意刨出来了，至于是不是，不敢推测结果如何）

**先说结论：**

**越来越比拼硬件资源能力了。**

总之就我做的医学图像分割上来说，最直观的感受就是几个点吧：

（1）传统基于CNN的文章除非在理论上、网络结构上（万年薅UNet，各种魔改）有大的创新，否则给人的感觉创新性都不大，甚至可以归为“水文”，二区都难。

（2）独立于网络之外的用于提升网络性能的模块上，attention-gate、channel- attention、spatial- attention、channel- spatial attention、non-local、scale- attention……反正就是魔改，要说最近的方向，可能就是类似ECA-module这种类似的走轻量注意力上才有的发paper。

（3）transformer：是个很新的方向，目前应该是医学图像分割上最好灌水的方向之一了，我记得去年开组会刚想把Unet的编码器或者解码器部分改成transformer，试试效果如何，结果一上知乎，我校某实验室就在编码器部分搞了出来一篇transUnet。看完swin-tranformer我一拍大腿，我去，这个好，这下解码器编码器都可以改了，对我这个小菜鸡还好理解点，结果马上有人做出来了swin-unet。总的来说就是，目前想水医学图像分割的transformer文章的，代码+硬件两手都硬的同行们，可以抓紧了。因为目前只要你速度够快，method部分不需要写大量公式计算，也不用憋着想如何写创新点，创新点统一为：

“本文首次把transformer应用于XXX检测/识别/分类/分割”

（4）大显存、多数量GPU，无论显存还是数量，越多越好，堪比挖矿。我曾经尝试把DA-Net中的PAM和CAM丢到UNet里去，结果直接out of memory….you need another 64GB。把我吓得，团队只有4卡RTX2080Ti瑟瑟发抖。transformer那种基于self-attention的大型注意力包，理论上计算资源只会多不会少，等忙完这段时间我准备搞一个3层的swin结构的编解码结构试试，但愿能跑起来，这样毕业论文就显得新一点 。

**0**

**3**

**作者：Zhifeng**

来源链接：

https://www.zhihu.com/question/460500204/answer/1902459141

回答几个我最近在研究的方向～ 我主要在做生成模型，不过乱七八糟的也有涉猎。

**1. 可解释性**

feature-based研究的很多了，instance-based个人感觉在上升期，从研究的角度来说缺乏benchmark/axiom/sanity check. 主流方法是influence function, 我觉得这里面self influence的概念非常有趣，应该很值得研究。当然，更意思的方向是跳出influence function本身，比如像relatIF 加一些regularization，也是水文章的一贯套路(relatIF是好文章)。

Influence function for generative models也是很值得做的。Influence function for GAN已经有人做了，虽然文章直接优化FID是有点问题的，但是框架搭好了，换一个evaluation换个setting就可以直接发paper.

我最近写了Influence function for VAE, 有不少比较有意思的observation (paper\[1\]; code repo: VAE-TracIn-pytorch).

**2. 无监督生成学习**

最近的denoising diffusion probabilistic model(DDPM)绝对是热坑，效果好，但是速度慢没有meaningful latent space限制了很多应用，有待发掘。我去年实习写了一篇DiffWave是这个方法在语音上的应用，效果很好，最近应该能看到这个模型的application井喷，比如3D point cloud生成。

DDPM的加速最近已经有不少paper了，目前来看有几类，有的用conditioned on noise level去重新训练，有的用jumping step缩短Markov Chain，有的在DDPM++里面研究更快的solver. 我最近写了FastDPM, 是一种结合noise level和jumping step的快速生成的框架(无需retrain, original DDPM checkpoint拿来直接用)，统一并推广了目前的好几种方法，给出了不同任务(图像, 语音)的recipe (paper\[2\]; code repo: FastDPM\_pytorch).

生成模型里的Normalizing flow模型，用可逆网络转化数据分布，很fancy 能提供likelihood和比较好的解释性但是效果偏偏做不上去，一方面需要在理论上有补充，因为可逆或者Lipschitz网络的capacity确实有限。另一方面，实际应用中，training不稳定可能是效果上不去的原因，其中initialization 和training landscape都是有待研究的问题。潜在的突破口：augmented dimension或者类似surVAE那种generalized mapping. 除此之外，normalizing flow on discrete domain也是很重要的问题，潜在突破口是用OT里面的sinkhorn network.

我对residual flow这个模型有执念，很喜欢这个框架，虽然它不火。今年早些时候我写了residual flow的universal approximation in MMD的证明，很难做，需要比较特殊的假设 (paper\[3\])。之后可能继续钻研它的capacity和learnability.

再补充一个：

**3. 生成模型的overfitting**是一个长久的问题，但是本身很难定义，很大一个原因是mode collapse和copy training data耦合在一起。我们组去年发表了data-copying test用于检测相关性质，不过这个idea还停留在比较初级的阶段，我觉得这一块需要更多high level的框架。

**4. Meta learning + generative model方向**个人十分看好，meta learning 框架可以直接套，loss改成生成模型的loss就可以了。Again, GAN已经被做了，不过GAN的paper那么多，随便找上一个加上meta learning还是很容易的。类似可以做multitask + GAN.

\[1\] https://arxiv.org/pdf/2105.14203.pdf

\[2\] https//arxiv.org/pdf/2106.00132.pdf

\[3\] https://arxiv.org/pdf/2103.05793.pdf

**猜您喜欢：**

[**超100篇！CVPR 2020最全GAN论文梳理汇总！**][100_CVPR 2020_GAN]

[拆解组新的GAN：解耦表征MixNMatch][GAN_MixNMatch]

[StarGAN第2版：多域多样性图像生成][StarGAN_2]

[附下载 | 《可解释的机器学习》中文版][Link 1]

[附下载 |《TensorFlow 2.0 深度学习算法实战》][_TensorFlow 2.0]

[附下载 |《计算机视觉中的数学方法》分享][Link 2]

[《基于深度学习的表面缺陷检测方法综述》][Link 3]

[《零样本图像分类综述: 十年进展》][Link 4]

[《基于深度神经网络的少样本学习综述》][Link 5]

![e295540e2ad0bc809364d23510ac1c0a.png][]

[1044dc9263b11803b361fbf44f2a7950.png]: /images/20221005/d71e74bda7104f0299b020e8dbc43e3d.png
[100_CVPR 2020_GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a94cc95e205ae880cb9518cb16a54c0abde69e5a8654f7fedf70a0cc990775265bf28a1c&idx=1&mid=2247486455&scene=21&sn=94156f53845cdf07e859e343862be745#wechat_redirect
[GAN_MixNMatch]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29aaa9c95e23bf3131249a8d008ce3acdff7c52c7f6be84d92c6d607ca804b5ceb2a4222e3&idx=1&mid=2247485458&scene=21&sn=9f562c1de84dada67268f88c72ff77ff#wechat_redirect
[StarGAN_2]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29ab6ec95e22785abb2afbb2e2b1c95780a4d6bfceeb915118440b41a81769a8776dcc62b7&idx=1&mid=2247485909&scene=21&sn=048d1336b8083bac3755e27a1f968d06#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a4bac95e2dac758c4aac10a3aac49eb062bc0829d4ef2ebc8e6d5069d246385c5084a2b4&idx=1&mid=2247484929&scene=21&sn=523220858287ed3e6105919703c8e833#wechat_redirect
[_TensorFlow 2.0]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a5b0c95e2ca6599d4a91d5d40900566b7525de3dd85259e7a6c173aa26aa7ea3641d1aaf&idx=2&mid=2247485195&scene=21&sn=e3387067db29d1759755c6c2ea96c870#wechat_redirect
[Link 2]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29aa8fc95e23993e057fb0dbe09f2810ea07184a439c173f404a7ab657cadcde3d24efa52a&idx=2&mid=2247485492&scene=21&sn=c4fb135de02cd52f06bc61b0e79476e4#wechat_redirect
[Link 3]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29aa8fc95e2399a93dae3af3b13626643b18cf42842d1a7ada0de46486fa8b865aa2421d2f&idx=1&mid=2247485492&scene=21&sn=6f8af433521b5fee5aceab62e0111115#wechat_redirect
[Link 4]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a44fc95e2d597fc88ca7f10cae079f821deedb6f93b10f0985aa8f6f7c06e369d716f785&idx=1&mid=2247485172&scene=21&sn=f65b58ed3b4c1d09163271069dce4738#wechat_redirect
[Link 5]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a7e6c95e2ef0a6649c0c904fa28b61b4ac76774df4acdce8fff3a909369c7c2f8d22a4b5&idx=1&mid=2247484765&scene=21&sn=b1b9a9ef6c923abad6cf38364105264c#wechat_redirect
[e295540e2ad0bc809364d23510ac1c0a.png]: /images/20221005/f48d7eeeef4f479ebb229bfb4d974d5f.png