本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
美国持续封锁，华为的技术自研，已经深入到了AI底层算法层面上，并开始将研究成果面向业界开源。
刚刚，华为诺亚实验室开源Disout算法（地址在文末），直接对标谷歌申请专利的Dropout算法。
而且，在多项任务上，华为的新算法都超过了Dropout。比如，在ImageNet上训练的ResNet-50可以达到78.76%的准确率，而谷歌Dropout系列方法仅为76.8%。
这一算法背后的论文，已被AAAI 2020收录，并对外公开。华为到底提出的Disout到底如何，也得以呈现。
华为自研Disout：多项AI任务超越Dropout
在申请专利时，谷歌将Dropout定义为“解决神经网络过拟合的系统和方法”。
其核心的思路是，训练神经网络前向传播过程中，Dropout能让某个神经元的激活值以一定的概率p停止工作，也就是“Drop”（丢弃），提升模型稳定性，来缓解过拟合现象。
而Disout是提出的新型替代方案，是一种通过研究特征图扰动来增强深度神经网络的泛化能力的方法。
简单来说，就是根据网络中间层的Rademacher 复杂度（ERC），确定给定深度神经网络的泛化误差上界。
并将扰动引入特征图，来降低网络的Rademacher复杂度，从而提高其泛化能力。
它们之间的区别可以用下面这张图来展示——也就是对输出特征进行扰动，而不是丢弃。
相比之下，华为的方法效果更好。
Disout不但在传统视觉任务上表现优异，超越谷歌Dropout性能，在NLP任务以及语音处理任务上，同样具备有效性。
接下来，就让我们一起看下Disout在各个数据集上与Dropout系列方法的对比。
首先，CIFAR-10的和CIFAR-100数据上的测试准确率对比。
全连接层实验中，华为所提出的特征图扰动方法，训练CNN达到85.24％的准确度，相比于最新的RDdrop方法，测试准确率分别在CIFAR-10和CIFAR-100数据集上提高了2.13％和1.58％。
华为研究人员表示，他们提出的Disout方法可以有效地降低经验Rademacher的复杂度，同时保留模型的表示能力，从而具有较好的测试性能。
在卷积层实验上，华为的方法可以适用于卷积层，提高深度神经网络的性能，而且优于DropBlock方法，性能分别提高了0.32％和0.63％。
ImageNet 数据集实验中结果也显示，华为提出的特征扰动方法不仅可以替换常规的dropout方法提高深度神经网络的性能，而且可以提升最近提出的Dropblock方法的性能。
与传统的dropout方法相比，Disout将准确性从76.80％提高到77.71％，Block Disout方法达到了78.76％的top-1准确率，超过其他现有技术。
华为研究人员说，他们的方法可以在提高泛化能力并保留原始特征的有用信息。
此外，他们还在文本数据集IMDB和语音数据集UrbanSound8k上进行了实验，结果如下（上为文本、下为语音）：
核心突破：对输出特征进行扰动，而不是丢弃
那么，具体又是如何做到的呢？我们一起来了解一下泛化理论。
泛化理研究的是期望风险与经验风险之间的关系。
以图像分类任务为例，总体期望风险R(fL)和训练集上的经验风险
是：
Rademacher经验复杂度（ERC）被广泛用于量化期望风险和经验风险之间的差距，它的定义如定义1所示。
定义1：给定由分布Q成的个实例D= {(x,y)}的给定训练数据集，网络的经验Rademacher复杂度定义为：
其中Rademacher变量是{-1，+ 1}中的独立统一随机变量。
使用经验Rademacher复杂度和MaDiarmid不等式，可以通过定理1得出预期风险的上限。
定理1：给定 >0，对任意>0，至少以概率1−，对于所有的∈，满足
根据定理1，研究人员发现，期望风险和经验风险之间的差距，可以借助特定神经网络和数据集上的经验Rademacher复杂度加以限制。
直接计算ERC比较难，因此通常在训练阶段使用ERC的上限或近似值，来获得具有更好泛化的模型。
了解完泛化理论，就来看下特征图扰动。
研究人员通过减少网络的ERC来学习特征图的扰动值，而不是固定扰动值。
通常，对具有输入数据xi的第l层的输出特征fL(xi)所采用的干扰操作可以表示为：
其中，εli是特征图上的扰动 。
上面的等式中扰动的形式是在ERC指导下自行学习得到的。由于ERC是通过网络最后一层的输出计算出来的，直接使用它来指导扰动将非常困难。
因此，研究人员使用以下定理，通过网络中间层的输出来间接表达网络的ERC：
定理 2 用Kl[k;:]表示权重矩阵Kl的第k行 ||・||p是向量的 p-norm。假设|| Kl[k;:] ||p ≤ Bl，网络输出的ERC 可以被中间特征的ERC限制：
o 和 f 分别是在激活函数之前和之后的特征图。令：
则：
那么，最优的扰动，就可以通过求解下式得到：
直观地, 过于剧烈的扰动将破坏原始的特征并降低网络的表示能力；而过小的扰动不能很好地起到正则化效果。
算法如下所示：
实习生一作，华为诺亚实验室出品
这篇论文，一共有7名研究人员，分别来自北京大学、华为诺亚和悉尼大学，核心团队来自华为诺亚实验室。
一作是北京大学的唐业辉，这一研究是他在华为诺亚实验室实习期间完成。
二作是王云鹤，华为诺亚方舟实验室技术专家，也是唐业辉实习时的导师。
毕业于北京大学，在相关领域发表学术论文40余篇，包含NeurIPS、ICML、CVPR、ICCV、TPAMI、AAAI、IJCAI等。
主要从事边缘计算领域的算法开发和工程落地，研究领域包含深度神经网络的模型裁剪、量化、蒸馏和自动搜索等。
其他作者有来自华为诺亚实验室的许奕星、许春景、北京大学的许超等人。
如果你对这项研究感兴趣，请收好传送门：
开源链接：https://github.com/huawei-noah/Disout
