對于現(xiàn)代機(jī)器學(xué)習(xí)系統(tǒng)來說，最大的瓶頸在于訓(xùn)練過程中對數(shù)據(jù)龐大的需求。創(chuàng)建大規(guī)模的數(shù)據(jù)集是十分昂貴的過程，需要消耗大量的人力物力來標(biāo)注數(shù)據(jù)，并且隨著應(yīng)用的迭代已有的數(shù)據(jù)集可能不能滿足實(shí)際的需要還需要重新標(biāo)注甚至創(chuàng)建新的數(shù)據(jù)集。為了克服工業(yè)級大規(guī)模數(shù)據(jù)的瓶頸，世界各地的研究人員在這個方向上進(jìn)行了深入的努力。近日，來自谷歌斯坦福和布朗大學(xué)的研究人員們提出了一種稱為”Snorkel Drybell”的新方法，基于弱監(jiān)督學(xué)習(xí)的方法可以再很大程度上緩解大規(guī)模工業(yè)數(shù)據(jù)集生成的問題，利用已有的知識迅速的標(biāo)注出大規(guī)模的數(shù)據(jù)。

研究人員基于開源框架Snorkel開發(fā)了這套實(shí)驗(yàn)標(biāo)注系統(tǒng)，并在實(shí)驗(yàn)中發(fā)現(xiàn)這套系統(tǒng)可以獲得與手工標(biāo)記成千上萬個數(shù)據(jù)點(diǎn)相同的效果，并揭示了如何為現(xiàn)代機(jī)器學(xué)習(xí)系統(tǒng)創(chuàng)造訓(xùn)練數(shù)據(jù)和核心原理。值得一提的是，Snorkel是一套專門基于弱監(jiān)督創(chuàng)建訓(xùn)練數(shù)據(jù)的框架，它能基于內(nèi)部模型、本體、規(guī)則知識圖譜等各種形式的知識為機(jī)器學(xué)習(xí)模型創(chuàng)建大規(guī)模的數(shù)據(jù)。

與傳統(tǒng)手工標(biāo)注不同，新系統(tǒng)創(chuàng)造出為數(shù)據(jù)打標(biāo)的標(biāo)注函數(shù)，程序化地完成數(shù)據(jù)標(biāo)記工作。研究人員主要探索了這些標(biāo)注函數(shù)是如何捕獲工程師的經(jīng)驗(yàn)，如何基于現(xiàn)有資源啟發(fā)式的進(jìn)行弱監(jiān)督學(xué)習(xí)的。

舉個例子，如果我們想識別出與名人相關(guān)的內(nèi)容，一方面可以使用現(xiàn)有的命名實(shí)體識別（NER）模型來標(biāo)注出不包含與名人無關(guān)的人的內(nèi)容來實(shí)現(xiàn)這一任務(wù)。這就巧妙地將已有的知識資源與簡單的邏輯結(jié)合起來，為新的模型創(chuàng)造了訓(xùn)練數(shù)據(jù)。更重要的是這一標(biāo)注函數(shù)將在大多數(shù)情況下返回None（與名人相關(guān)的相對較少）,這就意味著在整個數(shù)據(jù)集中只有少量數(shù)據(jù)需要打標(biāo)，我們可以利用這些數(shù)據(jù)標(biāo)簽來訓(xùn)練對于另一任務(wù)具有泛化性的新模型。

實(shí)驗(yàn)中的標(biāo)注函數(shù)，將現(xiàn)有知識與簡單的邏輯代碼相結(jié)合啟發(fā)式的進(jìn)行數(shù)據(jù)標(biāo)注。

自動化的程序標(biāo)注顯然比人工方法要高效和靈活，但質(zhì)量卻無法與手工標(biāo)注媲美。標(biāo)注函數(shù)常常會出現(xiàn)標(biāo)簽重疊和不一致的情況。這主要是用于標(biāo)注函數(shù)的精度未知、與已有數(shù)據(jù)的關(guān)聯(lián)方式也存在不確定性。為了解決這一問題，研究人員利用生成模型來對標(biāo)記函數(shù)的精度和相關(guān)性進(jìn)行可溯源的自動估計(jì)，在無需基準(zhǔn)訓(xùn)練數(shù)據(jù)的情況下將輸出重新賦權(quán)并為每一個數(shù)據(jù)點(diǎn)合成單一概率標(biāo)簽。此外還可以基于協(xié)方差觀察標(biāo)記函數(shù)之間的一致性，并學(xué)習(xí)出標(biāo)記函數(shù)精度和相關(guān)性的參數(shù)，更好的解釋標(biāo)注的輸出情況。

基于多源知識的弱監(jiān)督學(xué)習(xí)

在研究Snorkel Drybell的過程中，研究人員使用了網(wǎng)絡(luò)內(nèi)容分類、是否提及特定產(chǎn)品以及實(shí)時事件的檢測等生產(chǎn)任務(wù)及數(shù)據(jù)來進(jìn)行實(shí)驗(yàn)?；谛碌目蚣埽梢猿浞志C合各種信息源和已有資源：

啟發(fā)和規(guī)則：例如特定領(lǐng)域作者的規(guī)則

主題模型、標(biāo)記器和分類器：例如目標(biāo)或相關(guān)領(lǐng)域的機(jī)器學(xué)習(xí)模型

統(tǒng)計(jì)匯總：例如目標(biāo)領(lǐng)域的相關(guān)指標(biāo)

知識或?qū)嶓w圖譜：例如目標(biāo)領(lǐng)域的數(shù)據(jù)庫

在Snorkel DryBell中，為了訓(xùn)練模型對對Web數(shù)據(jù)進(jìn)行內(nèi)容或事件分類。 用戶無需手工標(biāo)注，而是編程組織已有資源并自動加權(quán)生成新數(shù)據(jù)集。

研究人員利用MapReduce中的模板來實(shí)現(xiàn)資源的組織和數(shù)據(jù)標(biāo)簽生成，但結(jié)果卻不盡如人意。得到的數(shù)據(jù)標(biāo)簽噪聲很大，要么與其他標(biāo)簽沖突，要么對于目標(biāo)任務(wù)粒度太大。為了解決這一問題研究人員在自動數(shù)據(jù)清洗和整合上又進(jìn)行了深入的研究。

對準(zhǔn)確度建模以結(jié)合&重用現(xiàn)有資源

為了處理標(biāo)簽中的噪聲，需要將標(biāo)記函數(shù)的輸出基于置信度加權(quán)整合為單一的數(shù)據(jù)點(diǎn)標(biāo)簽。但最大的難點(diǎn)在于沒有基準(zhǔn)數(shù)據(jù)。所以研究人員引入了生成模型技術(shù)，基于無標(biāo)記數(shù)據(jù)學(xué)習(xí)出每一個標(biāo)記函數(shù)的精度。通過標(biāo)記函數(shù)輸出的一致性矩陣并綜合已知的相關(guān)性結(jié)構(gòu)來進(jìn)行學(xué)習(xí)。在Snorkel DryBell研究人員還實(shí)現(xiàn)了一套快速無采樣的建模方法，在tensorflow中處理web級別的數(shù)據(jù)。通過對標(biāo)記函數(shù)的輸出進(jìn)行組合與建模，在Snorkel DryBell中實(shí)現(xiàn)了高質(zhì)量的數(shù)據(jù)標(biāo)記。事實(shí)上，在手工標(biāo)記的訓(xùn)練數(shù)據(jù)可用于比較的兩個應(yīng)用中，Snorkel DryBell打標(biāo)的數(shù)據(jù)分別與12,000和80,000個人工標(biāo)記數(shù)據(jù)點(diǎn)在同一模型的訓(xùn)練中得到了相同的預(yù)測精度。

將非服務(wù)知識轉(zhuǎn)移到可服務(wù)模型中

在很多情況下可用于生產(chǎn)的服務(wù)特征與非服務(wù)特征之間也存在重要區(qū)別，非服務(wù)特征在生產(chǎn)中使用面臨著速度和成本的問題。但非服務(wù)特征中可能具有非常豐富的信號，但問題在于如何使用這些信號來進(jìn)行訓(xùn)練或輔助服務(wù)模型在生成中進(jìn)行部署呢？

用戶可以自行編寫標(biāo)簽函數(shù)，利用在生產(chǎn)中無法使用的特征歷來組織知識資源（a）例如在生產(chǎn)中使用太慢或太昂貴的聚合統(tǒng)計(jì)，內(nèi)部模型或知識圖 來訓(xùn)練可服務(wù)的生產(chǎn)模型，利用如便宜，實(shí)時的網(wǎng)絡(luò)信號來進(jìn)行服務(wù)

在Snorkel DryBell中，用戶可以自行編寫標(biāo)簽函數(shù)來組織已有的知識資源，并利用輸出的數(shù)據(jù)來訓(xùn)練具有不同的可服務(wù)特征的新模型。這種特征交叉遷移將基準(zhǔn)數(shù)據(jù)上的表現(xiàn)平均提高了52%。更重要的是，這種方法將緩慢（昂貴的模型或者聚合統(tǒng)計(jì)）、私密（實(shí)體或知識圖譜）或者其他不適合部署的特征充分利用起來，并訓(xùn)練了基于迅速和便捷特征的新模型。這種簡單但強(qiáng)大的方式可以被視為一種全新的遷移學(xué)習(xí)方法，在不同特征集上的知識遷移代替了在不同數(shù)據(jù)集間的模型遷移，具有廣泛的應(yīng)用潛力！

展 望

研究人員將在未來的工作中將其他形式的知識應(yīng)用于弱監(jiān)督標(biāo)簽生成中，并探索Snorkel DryBell在信息復(fù)用和跨域知識共享中的應(yīng)用。