Ablation study（消融研究、消融学习、消融实验)

原文链接：https://blog.csdn.net/flyfish1986/article/details/104812229

Ablation study

今天阅读paper，遇到ablation study，ablation study可以译作：消融研究、消融学习、消融实验。那什么是ablation study，就查阅了一下，原来ablation study差不多就是初高中常说的控制实验变量方法。
比如说你为了提升baseline的性能，给它加了两个模块A,B，加完之后效果果然提高了很多。 于是你急急忙忙开始写论文，写到你的贡献，你给了两条：1.模块A，2.模块B。
但是这样写有个问题：尽管AB同时加上去对模型有提升效果，但是你并没有证明A、B两个模块分别都是有意义的，所以就需要用Ablation study来做更细致的研究。借用知乎上的易懂的描述ablation study就是：

为了提升baseline的性能，给它加了两个模块A,B 为了验证A、B两个模块是不是真的都有用，你需要做ablation study。
实验1：在baseline的基础上加上模块A，看效果。 实验2：在baseline的基础上加上模块B，看效果。
实验3：在baseline的基础上同时加上模块AB，看效果。 然后结果可能是，实验1和实验2的结果都不如实验3，那么说明AB都是有用的；
然而也有可能你会发现实验1的结果和实验3一样，甚至更好。这就说明你的想法是有问题的，模块B其实并没有起到作用，提升只来自于模块A。

注解

相当于遵守奥卡姆剃刀原则，如无必要，勿增实体即简单有效原理。切勿浪费较多东西去做，用较少的东西，同样可以做好的事情。
简单和复杂的方法都能达到同样的效果，选择简单的方法。

应用延申

在机器学习，特别是复杂的深度神经网络的背景下，已经采用“消融研究”来描述去除网络的某些部分的过程，以便更好地理解网络的行为。
为了提升网络的性能，在网络架构上加了模块A，B。是这篇文章的创新点。
比如说这篇文章有3个亮点，消融实验就负责告诉你，实验1：我只加a结果如何；实验2：只加b结果如何；实验3：a和b都加了又如何。
看3个实验的效果，然后结果可能是，实验1和实验2的结果都不如实验3，那么说明AB都是有用的；
然而也有可能你会发现实验1的结果和实验3一样，甚至更好。这就说明你的想法是有问题的，模块B其实并没有起到作用，提升只来自于模块A。

简单和复杂的方法都能达到同样的效果，选择简单的方法。

参考

https://www.quora.com/In-the-context-of-deep-learning-what-is-an-ablation-study

https://www.zhihu.com/question/60170398/answer/673961942

https://zhuanlan.zhihu.com/p/474197890