论文笔记：Causal Attention for Vision-Language Tasks

论文笔记：Causal Attention for Vision-Language Tasks

Paper: Causal Attention for Vision-Language Tasks, CVPR 2021

Code: https://github.com/yangxuntu/lxmertcatt

概述

本文的主要工作就是利用因果理论对 attention 机制进行建模，然后从因果的角度分析了目前 attention 机制存在的问题，同时利用因果理论中的一些工具来解决。

因果模型的最大好处是它能解决数据分布不一致的问题，即训练集和测试集分布不一致，这对于传统的机器学习模型是很难克服的（通常得对采样特殊处理或者数据增强之类的），因果模型提供了一套比较好的方法去解决这样的问题（当然前提是你得先能构建出因果图）。

最近看了挺多张含望老师他们组的工作，见https://mreallab.github.io/，基本上都是针对cv领域的各种数据分布带来 bias 的问题，建立了各种各样的因果图进行分析并解决，个人觉得挺有意思的，所以最近想尝试入一下坑。

Try to accomplish

Attention 机制现在广泛应用在各领域和各模型之中，attention 涉及到了 Q-K-V 操作，想法是用 Q 去查找 K 中跟自己相似的成分，然后获得新的表示，具体做法就是先用 Q 和 K 求一个相似度作为权重，然后利用相似度对 V 进行加权获得一个新的表示，这个新的表示就融合了 Q 和 K 的相似度信息。

论文里用 image caption 举例说明了 vision-language 领域里两种使用 attention 的方式，如下图所示：

主要用到了两种 attention 模块，一种是 self-attention，另一种是 top-down attention。输入 X 包含了句子特征以及图像特征（RoI 特征），由于Q 与 K、V 相同，经过 self-attention 得到的新的特征表示，蕴含了图像特征之间的关联，例如上图中新的特征可能学到了人与马之间的关系。第二步就是 top-attention 模块，这里把 Q 换成了句子特征，当用 Q 与 K 求权重的时候，其实就是在求图像特征中哪些成分与句子特征更相关，例如根据“man”可能就会认为人所在的区域的图像特征权重更大，然后再用这个权重对图像特征加权后，所得到的新特征就是与句子相关的视觉特征。最后我们根据这个句子相关的视觉特征来做预测效果就会更好，因为它融入了两个模态相似度的信息。

那么这里面存在什么问题呢？

比如上面最左边的图，问题中关键字是“What sport”、“on screen”，但经过训练后的 attention 却把注意力放在了人身上（红色框），即提取到的句子相关的视觉特征是那两个人的区域，最后得到了错误的答案“Dancing”，而我们希望的是模型能够将注意力放在图像的屏幕区域，是什么导致了错误的 attention 呢？

作者认为是在训练集中，“Sport+Man”的出现次数远远高于“Sport+Screen”的次数，这样的偏倚让 attenion 学习的时候，会把“Sport”和人所在区域的图像特征联系起来，认为它们二者具有高相关性。但如果在测试集中，“Sport”和人所在区域的图像特征并没有这么高的相关性时（即训练集和测试集的分布不一致），那么在测试集中预测的时候带上这样的偏倚，很可能就会做出错误的预测。

Key element

因果图

如上面分析，数据集带来了 bias，从而产生了一些虚假的相关性（“Sport”和人图像特征），而建模和消除虚假相关性正是因果理论擅长的事，现在来看看作者是怎么对整个 vision-language 进行因果建模的，当然这是作者自己的想法，因果图并不是唯一确定的东西。

首先如第一张图所示，X 表示输入的数据，即原始的句子以及图像特征，Z 代表了句子相关的图像知识，X 和 Z 之间就存在着一个 X->Z 的因果关系，因为 Z 是 X 通过 attention 机制生成的嘛。然后利用 Z 去对最终结果 Y 做预测，显然这里也存在着 Z->Y，所以第一张图说明了从 X->Z->Y 的一条因果路径，即 X 通过 attention 机制做出的预测，这也是本文的重点研究目标。

如果只有这一条路径显然就不存在虚假的相关性，那么下一步作者就对为什么会产生虚假相关性这一点进行了建模，如下图所示：

这里 C 表示常识，C->X 表明视觉数据或者特征本质上是由常识生成的，例如第一张图中人骑马的图可以认为是常识“人可以骑马”生成的。M 表示 {person, horse} 的 object 集，它也是从图像中提取出来的（例如使用 Faster R-CNN），而它本身的值域也是由常识 C 决定的，最后对词的预测是根据 object 集做出的预测，所以是 M->Y。

从因果角度看 Attention

有了因果图后，首先先从因果角度看下 attention 机制，即 X->Z->Y 这条因果路径，传统的模型是基于相关性

\[\begin{matrix} P(Y|X)= \underbrace{\sum_z P(Z=z|X)} P(Y|Z=z) \\ IS-Sampling \end{matrix} \]

这里是只考虑 X->Z->Y 因果图下的公式，还是比较直观的，P(Y|Z=z)表示知识对 Y 的预测，P(Z=z|X)表示根据 X 来选择相关的知识，不同的知识重要程度不同。按照我的理解，z 就是 attention 机制里的 K 和 V，P(Z=z|X) 其实就是 Q 和 K 求到的权重 \(\alpha\)。

但公式里是根据这个 P(Z=z|X) 对每个 z 对 Y 的预测结果 P(Y|Z=z) 求期望，也就是 IS-Sampling 操作，而 attention 是先根据 \(\alpha\) 对 z 求了个期望，用这个期望的 z 再去做预测。这个细微的区别我看了几遍论文才看出来，按照作者的意思这两个是等价的，而且由于 attention 是先对输入求了期望，然后光把这个期望值丢进网络 forward 一边，肯定要比把所有输入全部 forward 然后在期望代价要小得多。

论文第 7 部分的公式 (19) 有类似的推导，即公式 (19) 的最后一行，本来按照前面的推导求期望应该停留在 g 外面，一开始不知道为啥作者的推导直接塞到函数的输入里了，后来我觉得应该是反正还不知道拟合结果怎样，那不如就先对输入求个期望，然后对期望 forward 之后的结果，让它和这两个操作反过来（先 forward 再期望）的结果一样不就行了。

总之，attention 的 Q-K-V 操作可以和这个条件概率公式对应起来了。

消除偏倚

正如前面构建的因果图，如果直接拟合 P(Y|X) 会带来 bias，bias 产生的原因是 C 这个 confounder，即 X<-C->M->Y 这条非因果路径，由于我们又没有 C 的数据，所以 back-door 是别想了。而我们想求的是 X->Z->Y 这条因果路径事实上也不需要 C 的数据。首先看 X->Z，X 和 Z 之间唯一能让信息流动的就只有这一条，别的路径统统被 M->Y<-Z 给对撞没了，所以 X 和 Z 之间没有混杂。

关键是 Z 和 Y 之间存在混杂，不过幸运地是这个混杂可以通过对 X 进行 adjust 给消除掉，而 X 的数据是我们有的，所以接下来就简单了，如下进行 back-door （关于 back-door 可以参考下别人的讲解的，简单来说就是分情况讨论，在不同的 X 下，P(Y|X=x,Z) 是该情况下 Z 对 Y 的因果效应，那么根据 X 的不同情况求个平均即可）：

\[\begin{matrix} P(Y|do(Z))= \underbrace{\sum_{x'} P(X=x')} P(Y|X=x',Z) \\ CS-Sampling \end{matrix} \]

CS-Sampling跟上面的IS-Sampling一样也是求期望的操作，区别在于前者是来自于不同的样本，后者仅来自于当前样本。同时为了和 do(X) 里的 X 区分开，这里换成 \(x'\)。在后面会看到作者也和 attention 里的做法类似，直接把 CS-Sampling 丢给输入 Z 了。

有了 X 对 Z 因果以及 Z 到 Y 的因果，那么自然就能得到 X 到 Y 的因果（通过 Z）。结合两个公式，即把 P(Y|X) 展开式里的 P(Y|Z) 替换为 P(Y|do(X))，得到

\[\begin{matrix} P(Y|do(X))= & \underbrace{\sum_z P(Z=z|X)} & \underbrace{\sum_{x'} P(X=x')} & P(Y|X=x',Z) \\ & IS-Sampling & CS-Sampling & \end{matrix} \]

即去偏倚后的 attention 比原来多了一个求期望的步骤。

IS-ATT 和 CS-ATT

本论文核心就是要实现上面这个 \(P(Y|do(X))\)，首先我们先构造一个函数 \(g(\cdot)\) 来拟合 \(P(Y|Z,X)\)，为了表示分布在 \(g\) 外面套一个 softmax，如下

\[P(Y|Z,X)= Softmax [g(Z,X)] \]

最终结果 \(P(Y|do(X))\) 就是 \(P(Y|Z,X)\) 计算了两次期望（IS-Sampling 以及 CS-Sampling），然后如前面所说，为了减少数据 forward 次数，直接把这两个求期望塞到最原始的输入那里去做（具体推导可以见论文第 7 部分），总之这里直接放结果

\[P(Y|do(X))\approx Softmax[g(\boldsymbol{\hat{Z}}, \boldsymbol{\hat{X}})], \\ IS-Sampling: \boldsymbol{\hat{Z}}=\sum_z P(Z=z|h(X))z, \\ CS-Sampling: \boldsymbol{\hat{X}}=\sum_x P(X=x|f(X))x. \]

依据这个推导，作者提出了两个 attention，一个就对应了原来的 attention，即 IS-ATT，另一个就是 CS-ATT，如下图

未完

碎碎念

因为本论文使用的是 front-door adjustment，所以只要再找一个 confounder，且这个 confounder 不会有一条到 Z 的因果路径都能使用 front-door，我比较困惑的是作者对虚假相关性这部分建模的时候引入了又一条 X 到 Y 的因果路径，即 X->M->Y，这样就会导致实际上 P(Y|do(X)) 计算的其实是有这条路径的信息在里面的，而 X->M 又被 C 给 confound 了，所以这应该没法用 front-door 才对。

但作者依然对 X->Z->Y 这条路径用了 front-door 的公式，事实上计算的就不是 P(Y|do(X)) 了，而仅仅是 X 通过 Z 对 Y 对因果效应。当然这也是本文的核心所在，研究纯纯的因为 attention 的影响，所以好像也没啥毛病，只不过写 P(Y|do(X)) 可能就有点小问题了，起码在论文里给出的因果图我觉得是有些问题。