[[320655]]

本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請(qǐng)至雷鋒網(wǎng)官網(wǎng)申請(qǐng)授權(quán)。

機(jī)器翻譯真的是萬(wàn)能的，不僅能夠?qū)懺?shī)、對(duì)對(duì)聯(lián)、推導(dǎo)微分方程，還能夠讀取腦波信息。

昨天，加州大學(xué)舊金山分校的Joseph Makin 等人在 Nature Neuroscience上發(fā)表了一篇論文，標(biāo)題為《利用 encoder-decoder 框架，將大腦皮質(zhì)活動(dòng)翻譯為文本》（Machine translation of cortical activity to text with an encoder–decoder framework）。

這篇論文的工作思路異常簡(jiǎn)單。他們將腦波到文本的轉(zhuǎn)換視為機(jī)器翻譯的過(guò)程，腦波為輸入序列，文本為輸出序列。

通過(guò)讓受試者朗讀文本，收集相應(yīng)腦區(qū)的電波，構(gòu)成訓(xùn)練數(shù)據(jù)集，然后去訓(xùn)練一個(gè)端到端的機(jī)器翻譯模型。

通過(guò)這種方式，他們獲得了一個(gè)模型，這個(gè)模型能夠?qū)⑹茉囌叩哪X波「準(zhǔn)確」、「實(shí)時(shí)」地轉(zhuǎn)換為句子文本，而錯(cuò)誤率僅為3%。

這種創(chuàng)新，無(wú)疑是革命性的。

目前一些用于大腦控制打字的腦機(jī)接口技術(shù)，大多依賴于頭部或眼睛的殘余運(yùn)動(dòng)。以霍金為例，他可以通過(guò)手指的運(yùn)動(dòng)控制虛擬鍵盤(pán)來(lái)打出他想表達(dá)的單詞。但這種方式一分鐘最多也只能打出8個(gè)單詞。

也有一些嘗試將口頭語(yǔ)音（或嘗試發(fā)出的語(yǔ)音）解碼為文字，但迄今也僅限于對(duì)單音素或單音節(jié)的解碼，在中等大小的文本（100個(gè)單詞左右）上錯(cuò)誤率往往高達(dá)60%以上。

Joseph 等人的這項(xiàng)工作，則直接將腦波幾乎無(wú)延遲地準(zhǔn)確轉(zhuǎn)換為文本，對(duì)于癱瘓患者來(lái)說(shuō)，無(wú)疑是一大福音。

總體思路

如前面所述，作者借用了自然語(yǔ)言處理領(lǐng)域的概念，在自然語(yǔ)言的機(jī)器翻譯中，是將文本從一種語(yǔ)言翻譯到另外一種語(yǔ)言。而腦波到文本，事實(shí)上也是類似的一種「翻譯」過(guò)程。

從概念上講，這兩種場(chǎng)景的目標(biāo)都是在兩種不同表示之間建立映射關(guān)系。更具體地說(shuō)，在這兩種情況下，目的都是將任意長(zhǎng)度的序列轉(zhuǎn)換為任意長(zhǎng)度的另一序列。

這里需要重點(diǎn)強(qiáng)調(diào)一下「任意」，因?yàn)檩斎牒洼敵鲂蛄械拈L(zhǎng)度是變化的，并且彼此之間并不必須有確定性的一一對(duì)應(yīng)關(guān)系。在Joseph 等人的這項(xiàng)工作中，他們嘗試一次解碼一個(gè)句子，這和現(xiàn)在基于深度學(xué)習(xí)的端到端機(jī)器翻譯算法類似。兩者相同的地方是，都會(huì)映射到相同類型的輸出，即一個(gè)句子的詞序列。不同之處在于，輸入，機(jī)器翻譯的輸入是文本，而Joseph等人工作的輸入是神經(jīng)信號(hào)——受試者朗讀句子，實(shí)驗(yàn)人員用高密度腦電圖網(wǎng)格（ECoG grids）從參與者的大腦皮層處收集信號(hào)。

于是，對(duì)神經(jīng)信號(hào)稍加處理后，便可以直接用 seq2seq架構(gòu)的機(jī)器翻譯模型進(jìn)行端到端訓(xùn)練，基本不用進(jìn)行改動(dòng)。在這項(xiàng)工作中，最難的是如何獲取足夠多的訓(xùn)練數(shù)據(jù)集。我們知道，機(jī)器翻譯的數(shù)據(jù)集可以達(dá)到上百萬(wàn)規(guī)模，但這個(gè)實(shí)驗(yàn)中的每一個(gè)受試者頂多也就只能提供幾千量級(jí)的數(shù)據(jù)。在這種訓(xùn)練數(shù)據(jù)稀少的背景下，為了充分利用端到端學(xué)習(xí)的好處，作者使用了一種只包含30~50個(gè)獨(dú)立句子的受限“語(yǔ)言”。

模型

在這項(xiàng)研究中，為了收集輸入數(shù)據(jù)，要求參與人員大聲朗讀句子，觀察腦波活動(dòng)。一組需要朗讀的數(shù)據(jù)是圖片描述，大概有30個(gè)句子，125個(gè)單詞，另一組采用MOCHA-TIMIT語(yǔ)料數(shù)據(jù)庫(kù)中的數(shù)據(jù)，以50個(gè)句子為一組，最后一組包含60個(gè)句子。

一共有四個(gè)參與者進(jìn)行朗讀，研究人員只考慮重復(fù)朗讀三次的句子集，其中一次朗讀的數(shù)據(jù)用于測(cè)試，兩次用于訓(xùn)練。參與者在大聲朗讀的時(shí)候，會(huì)產(chǎn)生腦電波，給參與人員插上電極之后，研究人員用高密度腦電圖網(wǎng)格（ECoG grids）從參與者的大腦皮層處收集信號(hào)。

收集的腦電波信號(hào)和對(duì)應(yīng)朗讀的句子，會(huì)作為數(shù)據(jù)輸入到“編碼-解碼”架構(gòu)的人工神經(jīng)網(wǎng)絡(luò)。

如上圖所示，人工神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行處理會(huì)經(jīng)過(guò)三個(gè)階段：

1、時(shí)間卷積：一些類似的特征可能會(huì)在腦電信號(hào)數(shù)據(jù)序列的不同點(diǎn)處重現(xiàn)，全連接的前饋神經(jīng)網(wǎng)絡(luò)顯然無(wú)法處理。為了有效學(xué)習(xí)這種規(guī)律，網(wǎng)絡(luò)以一定的步幅為間隔，對(duì)每個(gè)間隔應(yīng)用相同的時(shí)間濾波器（temporally brief flter）。

2、編碼器循環(huán)神經(jīng)網(wǎng)絡(luò)：經(jīng)過(guò)時(shí)間卷積的處理會(huì)產(chǎn)生特征序列，把特征序列輸入到編碼器循環(huán)神經(jīng)網(wǎng)絡(luò)里面，然后，神經(jīng)網(wǎng)絡(luò)的隱藏層會(huì)提供整個(gè)序列的高維編碼，這個(gè)編碼與長(zhǎng)度無(wú)關(guān)。

3、解碼器循環(huán)神經(jīng)網(wǎng)絡(luò)：在解碼階段，重點(diǎn)將是高維序列“翻譯”成一個(gè)單詞。這時(shí)的循環(huán)神經(jīng)網(wǎng)絡(luò)會(huì)進(jìn)行初始化，然后對(duì)每一步的單詞進(jìn)行預(yù)測(cè)，當(dāng)預(yù)測(cè)結(jié)果是end-of-sequence token時(shí)，停止解碼。作者所使用的神經(jīng)網(wǎng)絡(luò)框架如下圖所示：

訓(xùn)練整個(gè)網(wǎng)絡(luò)的目標(biāo)是接近MFCC（梅爾倒譜系數(shù)特征），MFCC能夠引導(dǎo)神經(jīng)網(wǎng)絡(luò)產(chǎn)生良好的序列解碼。

但是在模型測(cè)試階段，拋棄了MFCC，解碼完全依靠解碼器神經(jīng)網(wǎng)絡(luò)的輸出。在模型訓(xùn)練中，隨機(jī)梯度下降法貫穿訓(xùn)練的整個(gè)過(guò)程，所有的網(wǎng)絡(luò)層都應(yīng)用了dropout。

模型評(píng)估用錯(cuò)詞率（The Word error rate, WER）量化，WER基本想法就是把正確答案和機(jī)器的識(shí)別結(jié)果排在一起，一個(gè)詞一個(gè)詞的對(duì)，把多出的詞，遺漏的詞和錯(cuò)誤識(shí)別的詞統(tǒng)統(tǒng)加在一起，算作錯(cuò)誤，然后計(jì)算錯(cuò)誤的詞占實(shí)際單詞總數(shù)的百分比。

經(jīng)過(guò)驗(yàn)證，所有參與者的平均WER為33%，對(duì)比當(dāng)前最先進(jìn)的語(yǔ)音解碼WER的60%，效果較好。

實(shí)驗(yàn)結(jié)果

作者在論文中一共進(jìn)行了兩個(gè)實(shí)驗(yàn)，一個(gè)是采取了類似“控制變量”的方法，看看為何這個(gè)模型表現(xiàn)如此優(yōu)秀，另一個(gè)是通過(guò)遷移學(xué)習(xí)改善其他參與者的模型表現(xiàn)。

在“控制變量”實(shí)驗(yàn)中，作者重新訓(xùn)練網(wǎng)絡(luò)，上圖的第二個(gè)框是采用低密度腦圖網(wǎng)格數(shù)據(jù)（lower-density ECoG grids）并進(jìn)行下采樣的性能。另外，作者只留下了1/4個(gè)通道，即只用了64個(gè)通道，而不是256個(gè)通道，此時(shí)的錯(cuò)詞率比原先高出四倍。

這意味著除了高密度腦電圖網(wǎng)格，算法也非常重要。第三個(gè)框是沒(méi)有附加MFCC時(shí)的性能，錯(cuò)誤率與低密度腦電圖網(wǎng)格類似，但優(yōu)于之前的語(yǔ)音解碼嘗試。第四個(gè)框是采用全連接網(wǎng)絡(luò)的結(jié)果，對(duì)于卷積網(wǎng)絡(luò)，全連接的錯(cuò)詞率比之前高了8倍。但是在實(shí)驗(yàn)中，作者發(fā)現(xiàn)，用全連接網(wǎng)絡(luò)造成的錯(cuò)詞率可以在高γ信號(hào)傳遞之前進(jìn)行下采樣解決。

最后，作者對(duì)重復(fù)實(shí)驗(yàn)是否影響錯(cuò)詞率進(jìn)行了量化。研究發(fā)現(xiàn)，當(dāng)至少有15次重復(fù)訓(xùn)練時(shí)候，錯(cuò)詞率可以到25%以下。如上圖所示，當(dāng)訓(xùn)練次數(shù)很少的時(shí)候，參與者a和參與者b的解碼性能很差，為了解決這個(gè)問(wèn)題，作者嘗試了遷移學(xué)習(xí)。

上圖 a 中的第一個(gè)框用MOCHA-1數(shù)據(jù)訓(xùn)練的結(jié)果，錯(cuò)詞率為53%。考慮網(wǎng)絡(luò)第一次針對(duì)參與者b的更豐富的數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練時(shí)的性能，這種遷移學(xué)習(xí)能使錯(cuò)詞率降低約17%（上圖a中的第一個(gè)框到第二個(gè)框所示）。

作者還考慮了一種組合形式的遷移學(xué)習(xí)，其中編碼器-解碼器網(wǎng)絡(luò)根據(jù)參與者b的所有MOCHA-TIMIT數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練；然后針對(duì)參與者a的所有MOCHA-TIMIT數(shù)據(jù)進(jìn)行訓(xùn)練，像往常一樣在參與者a的MOCHA-1塊上進(jìn)行測(cè)試。這種“雙重遷移學(xué)習(xí)”(圖a，第四條框)使錯(cuò)詞率比基線降低了36%，與任務(wù)遷移學(xué)習(xí)相比有所改善。

那么，改進(jìn)是否以相反的方向轉(zhuǎn)移，即從參與者a轉(zhuǎn)移到參與者b，顯然是可以的，正如上圖b所示。

對(duì)于在MOCHA-TIMIT數(shù)據(jù)上表現(xiàn)最差的參與者d，將其余的MOCHAT句子添加到訓(xùn)練集并不能改善結(jié)果（如c圖所示）。

討論

很明顯，這項(xiàng)研究最大的不足之處就是——數(shù)據(jù)集太小，僅250個(gè)單詞，30~50個(gè)句子。

若想把這種技術(shù)擴(kuò)展到通用自然語(yǔ)言上，則需要探索，到底需要多少數(shù)據(jù)才足夠，以及如何才能獲得足夠的數(shù)據(jù)。事實(shí)上，如果能夠?qū)⒛X電圖網(wǎng)格（ECoG）長(zhǎng)期插入受試者腦中，可用的訓(xùn)練數(shù)據(jù)量將比本實(shí)驗(yàn)（僅收集了半個(gè)小時(shí)的數(shù)據(jù)）大幾個(gè)數(shù)量級(jí)。

在實(shí)際應(yīng)用中會(huì)遇到一些情況，有些人已經(jīng)失去了說(shuō)話能力，盡管如此，這種方法仍然可以適用，盡管性能會(huì)稍有下降。

這里，AI 科技評(píng)論還想強(qiáng)調(diào)的一點(diǎn)是：機(jī)器翻譯的本質(zhì)，就是從一種信息序列映射到另一種信息序列。特別是現(xiàn)在端到端的技術(shù)下，只要能夠?qū)⒛愕膯?wèn)題換種表述方式，轉(zhuǎn)換為序列到序列的映射問(wèn)題，然后能收集到足夠多的訓(xùn)練數(shù)據(jù)，那么都可以借用現(xiàn)有的機(jī)器翻譯技術(shù)來(lái)做出巨大的改變。