Paper | Deep Mutual Learning

Deep Mutual Learning

• Deep Mutual Learning
  • 1. 动机详述和方法简介
  • 2. 相关工作
  • 3. 方法
    • 3.1 Formulation
    • 3.2 实现
    • 3.3 弱监督学习
  • 4. 实验
    • 4.1 基本实验
    • 4.2 深入实验

【算法和公式很simple，甚至有点naive，但文章的写作不错】

为了让小网络具有大能力，我们通常使用蒸馏。这篇文章提出了一种新方法：深度相互学习（deep mutual learning, DML）。与蒸馏法不同，相互学习中存在多个学生共同学习，并且每个学生之间要互相学习。实验还发现了一个惊人的结果：我们不需要piror powerful的教师网络，而只需要一群简单的学生网络共同学习，性能就能超越蒸馏学习。

1. 动机详述和方法简介

模型精简化有很多手段：精简的网络设计，模型压缩，模型剪枝，二元化（binarisation）以及最有趣的模型蒸馏。

模型蒸馏的动机是：小网络的表达能力与大网络相似，但是训练起来却不如大网络简单。换句话说，小网络的训练问题不在于尺寸，而在于优化。

因此，模型蒸馏法中设置了一个教师模型。较小的学生模型试图去模仿教师模型的分类概率或特征表达，而不再通过传统的监督目标来学习。教师模型是提前训练好的，因此蒸馏学习是单向学习。

而本文的做法不同。本文设置了一系列学生网络，共同学习。每一个学生网络都在2个损失函数下进行训练：一个是传统的监督学习的损失；另一个是模仿损失（mimicry loss），将其他学生的分类概率作为该学生的先验概率。

..., and a mimicry loss that aligns each student’s class posterior with the class probabilities of other students.

意义有三方面：（1）每一个学生网络的性能，都要比单独学习更好，也要比蒸馏学习更好；（2）不再需要一个强大的教师；（3）让三个大型网络相互学习，也比一个大型网络单独学习效果更好。即哪怕我们不考虑模型规模，只考虑精度，深度相互学习也能派上用场。

有没有理论解释呢？恐怕没有。即：到底增量归功于何者？首先，相互学习和蒸馏学习一样，都是给学生网络提供了额外的信息指导，即让学生网络落入更加合理的、共同的局部最优解。【有点像dropout，但不是对网络结构的健壮性改造，而是对优化策略的健壮性改造】

作者在行人重识别和图像分类上都进行了实验，效果比蒸馏学习更好。此外还有几点发现：

• 这种方法对多种网络结构都有效，或者对于多种大小网络的组合有效；

• 随着合作网络数目的增加，性能也有所提升。

• 这对半监督学习有帮助，因为模仿损失既对有标签数据有效，也对无标签数据有效。

2. 相关工作

相比于蒸馏学习，本文直接扔掉了教师网络的概念，并且允许一堆学生网络共同、相互学习。

相比于协同学习，本文中每个网络的目标是一样的。而现有的协同学习旨在解决不同任务的协同。

3. 方法

3.1 Formulation

如图，看的很明白。

假设有\(M\)个分类\(N\)个样本\(\{ x_i \}_{i=1}^N\)，对应标签为\(\{ y_i \}_{i=1}^N\)。

最后的监督学习损失\(L_C\)就是预测概率与真实标签之间的KL散度。网络的预测概率要通过softmax归一化。

\[p^m (x_i) = \frac{\exp (z^m)}{\sum_{m=1}^M\ exp (z^m)} \\L_C = - \sum_{i=1}^N \sum_{m=1}^M I(y_i, m) \log (p^m (x_i)) \\I \left( y_{i}, m \right) = \left\{ \begin{array}{ll}{1} & {y_{i}=m} \\ {0} & {y_{i} \neq m} \end{array} \right. \]

此外，我们引入另一个随机初始化的网络，定义 网络1 参考 网络2 的模仿损失：

\[D_{K L}\left(\boldsymbol{p}_{2} \| \boldsymbol{p}_{1}\right)=\sum_{i=1}^{N} \sum_{m=1}^{M} p_{2}^{m}\left(\boldsymbol{x}_{i}\right) \log \frac{p_{2}^{m}\left(\boldsymbol{x}_{i}\right)}{p_{1}^{m}\left(\boldsymbol{x}_{i}\right)} \]

解释：如果二者概率相同，那么损失为零；否则，只要二者趋势不同（一个趋于0，一个趋于1），损失都是正值。

当然，我们也可以用对称KL损失，即\(\frac{1}{2}\left(D_{K L}\left(\boldsymbol{p}_{1} \| \boldsymbol{p}_{2}\right)+D_{K L}\left(\boldsymbol{p}_{2} \| \boldsymbol{p}_{1}\right)\right)\)。实验发现效果没区别。【博主怀疑公式7写错了】

最终的损失就是上述 模仿损失 和 监督学习损失 的直接求和。

3.2 实现

每一个网络可以在独立的GPU上计算。

当更多网络加入时，模仿损失要取均值。

还有一种优化方法：让其他所有学生网络的概率取均值（即统一作为一个教师），然后计算均值概率与该学生网络概率分布的KL散度。

\[L_{\Theta_{k}}=L_{C_{k}}+D_{K L}\left(\boldsymbol{p}_{a v g} \| \boldsymbol{p}_{k}\right), \quad \boldsymbol{p}_{a v g}=\frac{1}{K-1} \sum_{l=1, l \neq k}^{K} \boldsymbol{p}_{l} \]

实验发现这样做不好。可能的原因是：均值化操作降低了教师提供的先验熵【理解为随机性就行】。

3.3 弱监督学习

实现方法很简单：如果是有标签数据，那么就基于监督学习损失进行优化；如果是无标签数据，那么就基于模仿损失进行优化。

4. 实验

4.1 基本实验

如表，作者尝试了很多网络结构。当交互学习时，准确率有所提升（DML-Ind是正值）。其中还包括各种网络的配对组合。作者还尝试了行人重识别任务，精度也得到了提升。

在训练过程中，DML也有助于更快、更好地收敛。

作者尝试了两种迭代策略：一种是序列化迭代，即第一个网络迭代完再迭代第二个；第二种是并行化策略，即同时迭代。作者发现第二种更好。并且第二种由于并行化，效率也更高。

作者还比较了蒸馏学习，效果要远比DML差。

作者还考察了学生网络数量对最终效果的影响。总体上呈现增长趋势，并且方差也更小。

4.2 深入实验

那么DML为什么有效呢？作者还实施了一些实验。

[4,10]指出：落入宽谷（wide valleys）的网络，通常比落入窄缝（narrow crevices）的网络泛化能力更好。为什么呢？因为当输入扰动时，处于宽谷的网络不会产生较大变化，但后者会。而DML就充当了一个协助者的角色，协助网络冲出窄缝。

作者无法证明这一点，但进行了一个实验：和[4,10]一样，作者在网络权重上加上了高斯噪声。结果，原网络的训练误差剧烈上升，而DML训练网络的训练误差只有较小提升。

此外，DML是一种均值化教师网络的操作。我们看看这种均值化是不是有好处。作者发现，DML的加入使得网络的预测没有这么肯定了。这是类似于熵正则化方法[4,17]，能够帮助网络寻找更宽的局部极小值点。但与[4]相比，DML的效果更好。

实验发现，无论有没有DML，不同初始化网络学出来的特征都不尽相同。因此，差异性服务于随机性，也就服务于健壮性。进一步，如果我们强迫特征相似，那么最终结果不增反降。作者尝试加入了关于特征的L2损失，结果效果更差。