科技猎惨遭下架后，MIT再爆知名数据集ImageNet存在系统性Bug，祸端还是WordNet
近日，麻省理工学院研究团队发表了一篇论文指控知名数据集ImageNet存在系统性Bug，该论文被国际机器学习大会ICML2020接收。
同时，这篇论文名为《From ImageNet to Image Classification: Contextualizing Progress on Benchmarks》，也发表在了在预印论库arXiv上。
麻省理工研究团队之所以在ICML大会上介绍这项研究，是因为近期陷入的“ Tiny Images ”争议事件。
就在本月初，麻省理工学院（MIT）宣布永久删除了包含8000万张图像的Tiny Images数据集，并公开表示歉意。其原因是，有关研究人员发表了一篇论文指控Tiny ImageNet数据集存在多项危险标签，包括种族歧视、性别歧视、色情内容等，而且指控有理有据。
论文中表明，ImageNet在语义结构分析上，使用的WordNet名词，它包含了种族歧视等危险内容，同时，由于图像过小，数据量过大，并未手动对图像标签进行逐一核对，由此导致了问题的出现。
众所周知，知名数据集ImageNet也使用了WordNet用于语义结构分析，那么， ImageNet数据集是否也存在同样的问题？ 对此，麻省理工研究团队给出了答案。
ImageNet基准测试与实际不符
大规模ImageNet数据集的出现，可以说意味着机器学习深度变革的一个新起点。2009年，李飞飞领衔的研究团队在计算机视觉与识别模式大会（CVPR）上首次推出ImageNet，ImageNet数据集包含10000个分类，超过一百万个图像，数据量之大是此从未有过的。
正是因数据量大、质量高，ImageNet数据集被广泛用于预训练和 基准测试 。但是，麻省理工研究团队在最近的研究中却指出：
ImageNet存在明显的“系统标注问题”，导致其用作基准数据集时与实际情况并不一致。
他们发现，ImageNet数据集中大约有20%的图像包含两个或更多的对象目标。
在通过对多个目标识别模型进行分析后，数据表明包含多个对象目标的照片会导致总体基准的准确性下降10%。
简单举个栗子 ：假如此图是ImageNet数据集中的一张高清图像，我们可以看到图片中不止包含了一个对象目标，包含女孩、吉他和唱麦，而且图片的主目标应该是女孩。
但ImageNet的数据标签可能不是女孩，也可能是唱麦或者吉他，重要的是ImageNet只会标注一个标签，这样可能就会导致ImageNet在目标识别中出现失误。
研究人员在论文中表明，
“总体而言，单个ImageNet标签可能不能总是捕获到ImageNet图像的主要表物体目标。但是，当我们进行培训和评估时，却将标签视为图像的根本事实，因此，这可能会导致ImageNet基准测试与现实世界中的对象识别任务之间出现不一致，而且这在模型执行和评估性能方面都是如此。”
看到这里你可能会疑惑，为什么不能准确对图像进行标记？其实问题的关键在于ImageNet所使用的标记工具 WorldNet。
WordNet名词标记是关键
WordNet在1980年代由George Armitage Miller创立，被广泛用于数据集的收集和标记过程。简单的理解，ImageNet会根据WorldNet提供的名词和它的语义层次结构，在搜索引擎或者Flickr之类的网站进行图像搜索，作为数据集的初始来源。
当WordNet提供一个名词后，根据它设定的语音层次结构，ImageNet需要对该名词的父类节点同义词进行扩充，并以此作为搜索的关键词。 比如“ whippet”分类名词（父类节点为：“dog”）的搜索还会包括“ whippet dog” 。
这类似于我们经常看到的“相关搜索”。为了进一步扩展图像池，数据集创建者还会使用多种语言进行了搜索。
但这里的重点是，对于每个检索到的图像已经确定了标签，如果该标签包含在数据集中，则将分配给该图像。也就是说， 标签仅由用于相应搜索查询的WordNet节点给出。
而在这一过程中，WordNet的语义结构会将非主要目标的图像纳入数据集中，出现上文提到标记偏差。如论文中的数据显示，同一分类却出现了不同的物体目标。（如图）
既然如此，那为什么WordNet名词还能够广泛应用于数据集创建过程中呢？
一方面是因为WorldNet可以完成大量数据的自动标记工作。我们知道，所有数据集在使用前都要先完成标记任务，而一个优秀的数据集规模又是很大的，如果全部手动标记，难度非常高，而WorldNet却可以很好的解决这一问题。
另一方面对于ImageNet而言，WordNet获取的只是初始数据标签，其准确性还需要通过相关模型进行再次验证。总体来讲，ImageNet数据集的创建过程，分为自动图像收集（automated data collection）和众包过滤（crowd-sourced filtering）两个阶段，而众包过滤就是所谓的审核阶段，它分为以下5个步骤：
-
潜在标签（Candidate Labels） ：通过现有ImageNet图像标签与模型预测的前5个标签进行组合，获得每张图像的潜在标签。
-
选择高频率标签（Selection Frequency） ：通过Mechanical Turk（MTurk）平台，将潜在标签与注释内容对比，经过反复过滤循环后，出现频率最高的为最佳标签（一般少于5个）。
-
CLASSIFY任务 ：给获得的少量多标签（Multiple labels）重新定义一组新的注释内容，根据注释信息为不同对象赋予标签，并确定一个主要对象的标签，这个过程称为CLASSIFY。
-
对象注释 （Object Annotation）：汇总以上训练后，获得更为细粒度的图像注释；
与原始ImageNet标签相比，经过众包过滤后生成的注释能够以更细粒度的方式表征图像的内容，但研究者发现，这些注释内容可能并没有达到期待的效果，如下图，CONTAINS任务会选择多个标签对图像有效，而 对于70%的图像而言，注释选择的标签频率至少是ImageNet的原始标签的一半。
而且下图表明，尽管只感知到单个对象，它们也经常会选择多达10个类别标签。因此，
对于单一目标的图像，ImageNet验证过程也无法得到准确的标签。
因此， 可以说图像标签在很大程度上依然取决于自动检索（WorldNet）过程， 同时众包过滤的审查过程还有很大的提升空间。
对于未来如何优化数据集的创建任务，研究人员在论文中表明，我们认为开发注释流程，尤其是审查阶段以更好地捕获基本事实，同时保持可扩展性是未来研究的重要途径。”
涉嫌种族歧视，大规模数据集争议不断
作为人工智能技术的基础，数据集在诸多研究领域都有着广泛的使用场景，尤其是在计算机视觉领域。近些年，因数据集的使用引发的隐私泄露、种族歧视等问题接连不断，导致人工智能技术的发展备受争议。
除了近期麻省理工学院因涉嫌种族歧视而删除了包含8000张图像的Tiny Image数据外，此前，一款图像修复算法PULSE，在学术圈同样引起轩然大波。有网友发现，PULSE在修复马赛克图像时，将奥巴马变成了高分辨率的白人，这一事件引起了黑人网友的不满。
对此，图灵奖之父Lecun发表twitter称，训练结果存在种族偏见，是因为数据集本身带有偏见，工程师在使用过程中应该加注意这一点。
今年因数据集而引发种族歧视事件颇多，而解决这些数据集争议，无非是从数据收集和标记阶段进行改进。研究人员称，对于大型数据集，理想的方法是按指定目标在全世界范围内收集图像，并让专家按确切类别进行手动筛选和标记。这里需要注意的是，非专家的人工标记也可能出现错误。
但从当前来看，这种方法非常不切实际。事实上，诸如ImageNet此类数据集均是从互联网搜索引擎抓取的图像，质量参差不齐，而图像审查不够严谨。同时大量数据的专家手动标记也很难实现。不过，如本次研究所称，可以通过技术进一步改善图像自动审查的过程来提高数据集的质量。
此外，目前学术界已经越来越关注数据集相关缺陷问题，在本月初计算机语言协会（ACL）还重点讨论了这一问题。
引用链接： 雷锋网雷锋网 (公众号：雷锋网) 雷锋网
https://arxiv.org/abs/2005.11295
https://arxiv.org/pdf/2005.11295.pdf
https://venturebeat.com/2020/07/01/mit-takes-down-80-million-tiny-images-data-set-due-to-racist-and-offensive-content/
。