美國(guó)東北大學(xué)體驗(yàn)式人工智能研究所的高級(jí)研究科學(xué)家 Walid S. Saba從組合語(yǔ)義的角度出發(fā)，提出一個(gè)觀(guān)點(diǎn)：深度學(xué)習(xí)無(wú)法構(gòu)造一個(gè)可逆的組合語(yǔ)義，所以它無(wú)法實(shí)現(xiàn)可解釋 AI。

作者 | Walid S. Saba

編譯 | Antonio

編輯 | 陳彩嫻

1

可解釋 AI （XAI）

隨著深度神經(jīng)網(wǎng)絡(luò) ( DNN ) 用于決定貸款批準(zhǔn)、工作申請(qǐng)、批準(zhǔn)法院保釋等與人們利益息息相關(guān)或者一些生死攸關(guān)的決定（例如在高速公路上突然停車(chē)），去解釋這些決定，而不僅僅是產(chǎn)生一個(gè)預(yù)測(cè)分?jǐn)?shù)，是至關(guān)重要的。

可解釋人工智能 ( XAI ) 的研究最近集中在反事實(shí)（counterfactual）例子的概念上。這個(gè)想法很簡(jiǎn)單：首先制造一些有預(yù)期輸出的反事實(shí)樣例并輸入到原來(lái)的網(wǎng)絡(luò)中；然后，讀取隱層單元解釋為什么網(wǎng)絡(luò)會(huì)產(chǎn)生一些其他輸出。更正式地說(shuō)：

" 返回分?jǐn)?shù) p 是因?yàn)樽兞?V 具有與其關(guān)聯(lián)的值 ( v1, v2, ... ) 。如果 V 具有值 ( v′1 , v′2 , ... ) ，并且所有其他變量保持不變， 分?jǐn)?shù) p' 會(huì)被返回。"

下面則是更加具體的一個(gè)例子：

" 你被拒絕貸款是因?yàn)槟愕哪晔杖胧?30,000 英鎊。如果你的收入是 45,000 英鎊，你就會(huì)獲得貸款。"

然而，一篇由 Browne 和 Swift 提出的論文 [ 1 ] ( 以下簡(jiǎn)稱(chēng) B&W）最近表明，反事實(shí)示例只是稍微更有意義的對(duì)抗性示例，這些示例是通過(guò)對(duì)輸入執(zhí)行小的且不可觀(guān)察的擾動(dòng)而產(chǎn)生的，從而導(dǎo)致網(wǎng)絡(luò)對(duì)它們進(jìn)行錯(cuò)誤分類(lèi)具有很高的自信度。

此外，反事實(shí)的例子「解釋」了一些特征應(yīng)該是什么才能得到正確的預(yù)測(cè)，但「沒(méi)有打開(kāi)黑匣子」；也就是說(shuō)，沒(méi)有解釋算法是如何工作的。文章繼續(xù)爭(zhēng)辯說(shuō)，反事實(shí)的例子并沒(méi)有為可解釋性提供解決方案，并且「沒(méi)有語(yǔ)義就沒(méi)有解釋」。

事實(shí)上，文章甚至提出了更強(qiáng)有力的建議：

1）我們要么找到一種方法來(lái)提取假定存在于網(wǎng)絡(luò)隱藏層中的語(yǔ)義，要么

2）承認(rèn)我們失敗。

而 Walid S. Saba 本人則對(duì)（1）持悲觀(guān)態(tài)度，換句話(huà)說(shuō)他遺憾地承認(rèn)我們的失敗，以下是他的理由。

2

Fodor 和 Pylyshyn 的「鬼魂」

雖然大眾完全同意 B&W 的觀(guān)點(diǎn)，即 " 沒(méi)有語(yǔ)義就沒(méi)有解釋 "，但解釋深度神經(jīng)網(wǎng)絡(luò)中隱藏層表示的語(yǔ)義為深度學(xué)習(xí)系統(tǒng)產(chǎn)生令人滿(mǎn)意的解釋的希望之所以不能夠?qū)崿F(xiàn)，作者認(rèn)為，原因正是出自三十多年前 Fodor 和 Pylyshyn [ 2 ] 中概述的原因。

圖注：Jerry A. Fodor（左）和 Zenon Pylyshyn

Walid S. Saba 接著論證到：在解釋問(wèn)題出在哪里之前，我們需要注意到，純粹的外延模型（例如神經(jīng)網(wǎng)絡(luò)）不能對(duì)系統(tǒng)性（systematicity）和組合性（compositionality）進(jìn)行建模，因?yàn)樗鼈儾怀姓J(rèn)具有可再衍生的句法和相應(yīng)語(yǔ)義的符號(hào)結(jié)構(gòu)。

因此，神經(jīng)網(wǎng)絡(luò)中的表示并不是真正與任何可解釋的事物相對(duì)應(yīng)的 " 符號(hào) " ——而是分布的、相關(guān)的和連續(xù)的數(shù)值，它們本身并不意味著任何可以在概念上解釋的東西。

用更簡(jiǎn)單的術(shù)語(yǔ)來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)中的子符號(hào)表示本身并不指代人類(lèi)在概念上可以理解的任何事物（隱藏單元本身不能代表任何形而上學(xué)意義的對(duì)象）。相反，它是一組隱藏單元，它們通常共同代表一些顯著特征（例如，貓的胡須）。

但這正是神經(jīng)網(wǎng)絡(luò)無(wú)法實(shí)現(xiàn)可解釋性的原因，即因?yàn)閹讉€(gè)隱藏特征的組合是不可確定的——一旦組合完成（通過(guò)一些線(xiàn)性組合函數(shù)），單個(gè)單元就會(huì)丟失（我們將在下面展示）。

3

可解釋性是 " 反向推理 "

DNN 無(wú)法逆向推理

作者討論過(guò)為什么 Fodor 和 Pylyshyn 得出的結(jié)論是 NN 不能對(duì)系統(tǒng)性（因此是可解釋的）推論進(jìn)行建模 [ 2 ] 。

在符號(hào)系統(tǒng)中，有定義明確的組合語(yǔ)義函數(shù)，它們根據(jù)成分的意義計(jì)算復(fù)合詞的意義。但是這種組合是可逆的——

也就是說(shuō)，人們總是可以得到產(chǎn)生該輸出的 ( 輸入 ) 組件，并且正是因?yàn)樵诜?hào)系統(tǒng)中，人們可以訪(fǎng)問(wèn)一種 " 句法結(jié)構(gòu) "，這一結(jié)構(gòu)含有如何組裝組件的地圖。而這在 NN 中都并非如此。一旦向量（張量）在 NN 中組合，它們的分解就無(wú)法確定（向量（包括標(biāo)量）可以分解的方式是無(wú)限的?。?/p>

為了說(shuō)明為什么這是問(wèn)題的核心，讓我們考慮一下 B&W 提出的在 DNN 中提取語(yǔ)義以實(shí)現(xiàn)可解釋性的建議。B&W 的建議是遵循以下原則：

輸入圖像被標(biāo)記為 " 建筑 "，因?yàn)橥ǔ＜せ钶嗇炆w的隱藏神經(jīng)元 41435 的激活值為 0.32。如果隱藏神經(jīng)元 41435 的激活值為 0.87，則輸入圖像將被標(biāo)記為 " 汽車(chē) "。

要了解為什么這不會(huì)導(dǎo)致可解釋性，只需注意要求神經(jīng)元 41435 的激活為 0.87 是不夠的。為簡(jiǎn)單起見(jiàn)，假設(shè)神經(jīng)元 41435 只有兩個(gè)輸入，x1 和 x2。我們現(xiàn)在所擁有的如下圖 1 所示：

圖注：擁有兩個(gè)輸入的單一神經(jīng)元的輸出為 0.87

現(xiàn)在假設(shè)我們的激活函數(shù) f 是流行的 ReLU 函數(shù)，那么可以產(chǎn)生 z = 0.87 的輸出。這意味著對(duì)于下表中顯示的 x1、x2、w1 和 w2 的值，可以得到 0.87 的輸出。

表注：多種輸入方式都可以產(chǎn)生 0.87 的數(shù)值

查看上表，很容易看出 x1、x2、w1 和 w2 的線(xiàn)性組合有無(wú)數(shù)個(gè)，它們會(huì)產(chǎn)生輸出 0.87。這里的重點(diǎn)是 NN 中的組合性是不可逆的，因此無(wú)法從任何神經(jīng)元或任何神經(jīng)元集合中捕獲有意義的語(yǔ)義。

為了與 B&W 的口號(hào) " 沒(méi)有語(yǔ)義就沒(méi)有解釋 " 保持一致，我們聲明永遠(yuǎn)無(wú)法從 NN 獲得任何解釋。簡(jiǎn)而言之，沒(méi)有組合性就沒(méi)有語(yǔ)義，沒(méi)有語(yǔ)義就沒(méi)有解釋?zhuān)珼NN 無(wú)法對(duì)組合性進(jìn)行建模。這可以形式化如下：

1. 沒(méi)有語(yǔ)義就沒(méi)有解釋 [ 1 ] 2. 沒(méi)有可逆的組合性就沒(méi)有語(yǔ)義 [ 2 ]

3. DNN 中的組合性是不可逆的 [ 2 ]

=> DNN 無(wú)法解釋?zhuān)](méi)有 XAI）

結(jié)束。

順便說(shuō)一句，DNN 中的組合性是不可逆的這一事實(shí)除了無(wú)法產(chǎn)生可解釋的預(yù)測(cè)之外還有其他后果，尤其是在需要更高層次推理的領(lǐng)域，如自然語(yǔ)言理解 ( NLU ) 。

特別是，這樣的系統(tǒng)確實(shí)無(wú)法解釋一個(gè)孩子如何僅從 ( ) 之類(lèi)的模板中學(xué)習(xí)如何解釋無(wú)限數(shù)量的句子，因?yàn)?" 約翰 "、" 鄰居女孩 "、 " 總是穿著 T 恤來(lái)這里的男孩 " 等都是的可能實(shí)例化，還有 " 經(jīng)典搖滾 "、" 成名 "、" 瑪麗的奶奶 "、" 在海灘上跑步 "、 等都是 的所有可能的實(shí)例。

因?yàn)檫@樣的系統(tǒng)沒(méi)有 " 記憶 "，而且它們的組成不能顛倒，理論上它們需要無(wú)數(shù)個(gè)例子來(lái)學(xué)習(xí)這個(gè)簡(jiǎn)單的結(jié)構(gòu)?！揪幷咦ⅲ哼@一點(diǎn)正好是喬姆斯基對(duì)于結(jié)構(gòu)主義語(yǔ)言學(xué)的質(zhì)疑，并由此開(kāi)啟了影響語(yǔ)言學(xué)半個(gè)多世紀(jì)的轉(zhuǎn)化生成語(yǔ)法?！?/p>

最后，作者強(qiáng)調(diào)，三十多年前 Fodor 和 Pylyshyn [ 2 ] 提出了對(duì) NN 作為認(rèn)知架構(gòu)的批評(píng)——他們展示了為什么 NN 不能對(duì)系統(tǒng)性、生產(chǎn)力和組合性進(jìn)行建模，所有這些都是談?wù)撊魏?" 語(yǔ)義 " 所必須的——而這一令人信服的批評(píng)從未得到完美的回答。

隨著解決人工智能可解釋性問(wèn)題的需求變得至關(guān)重要，我們必須重新審視那篇經(jīng)典論文，因?yàn)樗@示了將統(tǒng)計(jì)模式識(shí)別等同于人工智能進(jìn)步的局限性。