【论文解读】结合概率图模型和神经网络做图片问答

最新推荐文章于 2024-02-27 17:18:19 发布

zenRRan

最新推荐文章于 2024-02-27 17:18:19 发布

阅读量985

点赞数

文章标签：神经网络算法机器学习人工智能深度学习

点击上方，选择星标或置顶，每天给你送干货！

阅读大概需要7分钟

跟随小博主，每天进步一丢丢

每日英文

I know what I want, and I know how to get it, and doing it now.that's all.

我知道我想要什么，也知道我该怎么去得到，而且正在做。这样就够了。

Recommender：云不见

作者：刘子仪

方向：自然语言处理

编辑：王萌-深度学习自然语言处理公众号

什么是Visual Question Answering

在介绍这篇论文之前先看一下什么是visual question answering(VQA)。VQA，其实就是关于图片的问答，以本文用到的CLEVR数据集为例，如下图所示，根据图片信息提出问题并回答。CLEVR数据集的问题大多是“是否存在…”，”有多少…”，“…什么颜色“之类较简单的问题，答案也较单一。

背景

本文的neural-symbolic指的是神经网络和符号操作的结合。神经网络参数的灵活性可以使其更灵活的探索latent space，但是神经网络模型的缺点是缺乏可解释性和一些系统的概括能力。符号操作(symbol manipulation)欠缺灵活性，却提供了可解释性。因此目前有一些工作聚焦于neural-symbolic，通过结合表征学习和符号推理来提升机器的理解能力。

任务介绍

本文结合Neural和Program，对于VQA的image i 和question x, 生成一个program z, 以program制定推理过程，使用神经网络进行具体运算。如下图所示，蓝色框内是program，也就是对应论文中的symbolic，这个program规定了推理的过程，例如问题是方块的数量是否大于黄色物体的数量，它首先从场景中过滤出yellow和cube两个关键词，再对两者分别进行计数，最后对比两者的count。在构建program的过程中，将会动态产生一组参数θ，每一个参数代表一个模块。

概率图模型

接下来是如何用概率图模型联合建模，它分为两个步骤: Generative Model和Inference Network。

a) Generative model

Generative model构建的是一个given i 关于问题，答案，program的一个模型，它的整个过程是从 z 的先验分布中采样一个Program z，然后由这个 z 生成一个问题 x ，再结合image i,z, 生成问题的答案，从下图概率图中的实线可以看出，z同时生成 x 和参数组 θ ，θ和image i 结合产生答案。注意在训练过程中，问题 x 不参与生成答案。下式是Generative Model的联合概率模型，和都被参数化成LSTM网络，其中先验概率p(z)是通过极大似然来预训练，在之后的训练中这个概率分布是固定的。参数组θ会参数化小的CNN，这些CNN选择性地将图像中的注意力图作为输入。

b) Inference Network

Inference Network的过程是通过问题生成Program z,然后结合image i,z,生成问题的答案，图中的虚线表示由问题推出program，接下来的步骤和generative model 一样。

在这个过程中学习的概率模型是，同样也是被参数化成LSTM网络。

参数学习

本文使用的是stage-wise optimization，一共分为三步，分别是：

Question Coding 优化参数{σ，Φ} 来学习如何根据程序来表示question
Module Training 优化参数????z使用神经网络????z执行程序
Joint Training 前两步的联合训练

之所以要分三步训练，而不是直接进行第三步联合训练的原因有以下两点：

如果不单独训练question coding，学习参数组θ将变得困难，尤其是当program的数量远小于问答对的数量时，因为 p(a|i.z) 在训练时是通过神经网络来实施的。它关于program choices的优化是离散的，在不确定的情况下会对优化产生负面影响。
直接联合训练而不先进行module training也是可行的，但会更棘手，因为从一个没有训练过的神经网络中直接传递梯度给inference network会增加噪声。

实验与结果

实验使用的数据包括CLEVR和SHAPES。实验设置的一个亮点是semi-supervised training，以CLEVR数据集为例，这个数据集的训练集每一个问题都对应了一个program，这些都是已经标注好的，但是在本文中，它在question coding阶段只使用了1000对program和对应的问题，占整个训练集的0.14%。SHAPES数据集设置成几组不同程度的半监督，分别是5%，10%，15%，20%的program占比。实验最后和之前的2017年发布的NMN baseline进行了对比。实验结果如下

值得一提的是在结果分析中，他们提出该模型具有coherence和sensitivity。（这个结果是sampling z~p(z|a,i) 得到的，和上述的训练过程没有关系）如下图所示，在图中coherence部分，给定了图片和答案“yes“，模型可以给出多个不同的program指向这个答案，显示了reasoning的一种系统性。此外，在sensitivity部分，当答案变化时，可以发现reasoning patterns发生了明显的变化来匹配新的答案。

Vedantam R, Desai K, Lee S, et al.Probabilistic neural-symbolic models for interpretable visual question answering[J].arXiv preprint arXiv:1902.07864, 2019.

说个正事哈

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方“深度学习自然语言处理”，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。