50年前的kNN算法，只用14行代碼在文本分類上超越風頭正盛的Transformer，包括BERT——

這個來自ACL Finding的成果，一發(fā)布就火爆學術圈，讓人重新思考還有多少舊方法可以用于今天的機器學習任務。

圖片

有人盛贊它的創(chuàng)意性超過95%的同會論文，但是卻沒有獲獎實在令人想不通。

圖片

短短14行代碼，完全打開了大家的思路。

然而，才不到幾天的時間，就有人發(fā)現(xiàn)：

這一切好像都是個誤會。

BERT沒有被打敗，代碼有bug，結果有問題！

圖片

這是，反轉了？？?

重測后性能從SOTA變最差

先再來簡單回顧一下這篇論文的主要背景和思想：

圖片

它講的是如今由于精度高被經(jīng)常用于文本分類的深度神經(jīng)網(wǎng)絡模型（DNN），因為其計算密集型的特性，需要數(shù)百萬個參數(shù)和大量標記數(shù)據(jù)才能保證效果，這就導致它用起來或者做優(yōu)化，以及轉移到分布外數(shù)據(jù)等情況時都很費錢。

在此，來自滑鐵盧大學和AFAIK機構的研究人員，就“突發(fā)奇想”提出了一種不需要參數(shù)的替代方案：

將簡單的壓縮算法比如gzip和k近鄰分類算法進行結合來做這件事（用到了歸一化壓縮距離NCD）。

圖片

結果，這種簡單的方案在沒有任何訓練參數(shù)的情況下，效果居然很不錯——

在7個分布內(nèi)數(shù)據(jù)集上有6個結果與各類DNN相媲美，在分布外數(shù)據(jù)集上的結果則接連5把勝出，把BERT都給打敗了。

而且它在少樣本情況下也好使，相反此時的DNN卻因為標記數(shù)據(jù)太少根本無法進行有效訓練。

來自于美國的機器學習研究員Ken Schutte（博士畢業(yè)于MIT電氣工程與計算機科學），在看到這篇論文后非常感興趣，并冒出了一些新點子。

于是他并決定復現(xiàn)一下。

結果，就出現(xiàn)了蹊蹺：

我發(fā)現(xiàn)（當然我也不敢保證），方法中的kNN代碼中似乎存在一個錯誤（也可能是無意的），導致最終測試結果的準確度指標其實都全部高于了預期。

“太長不看”概括一下就是：結果用的是top-2精度，而不是本應該的kNN(k=2) 精度。

也就是說，它的效果可能并沒有那么強。

具體而言，Ken指出，在論文的表5中，結果顯示該方法在OOD數(shù)據(jù)集上打敗了所有其他基于神經(jīng)網(wǎng)絡的方法：

圖片

而他對前四個數(shù)據(jù)集都重新進行了一遍測試（使用kNN(k=2) 精度），結果有很大出入，根本無法打敗那些基準模型，甚至從性能最佳變?yōu)樾阅茏畈?/strong>。（最后一個數(shù)據(jù)集因為太大Ken還沒嘗試）

下面是詳細解釋。

在論文中，作者在使用kNN分類器時，都是取值k=2。

（kNN是一種有監(jiān)督算法，通過“有標簽”的樣本最終確定未知樣本的類別，該算法主要參數(shù)就是k值的選擇，k值越大，分類效果越穩(wěn)定，但計算量也越大）

Ken認為，這個選擇有點沒必要，不會給分類器增加太多信息，取1就行。

而當取2時，在訓練集中搜索出的兩個近鄰點類別標簽不一致的情況下，比如一個是正類，一個是負類，那么就產(chǎn)生了平局情況，我們需要進一步確定唯一正確的那個點。

在這個確定的過程中，論文中的源碼（位于experiments.py文件中的calc_acc方法中）出現(xiàn)了問題：

圖片

簡單來說就是，這段代碼的做法其實是只要2個近鄰點標簽中有一個與中心點真實類別一致（簡而言之，有一個對就算對），就判斷為正確，這也就相當于Top-2精度。

但標準的KNN算法，會使用其他打破平局的策略，比如距離近的類別優(yōu)先，或隨機選取來確定，也就是采用標準的kNN(k=2) 精度來評估結果，“更嚴格”。

這就導致在k=2時原方法計算的準確率其實是高于標準算法的，也就是最終效果并沒有現(xiàn)在我們看上去的那么牛。

這不，Ken重新寫了兩種打破平局的策略（一個是隨機選擇，一個是遞減k），重新計算了各數(shù)據(jù)集下模型的準確率，結果均出現(xiàn)了不同程度的下滑：

圖片

當然，我們可以發(fā)現(xiàn)，如果還是按照top-2算，Ken復現(xiàn)的結果基本和原論文沒有差別，側面證明Ken的發(fā)現(xiàn)是有效的。

網(wǎng)友：雖然但是，不影響方法本身的創(chuàng)新性

這個消息出來之后，網(wǎng)友是怎么看的呢？

有意思的是，大家都覺得Ken的分析很有道理，但這不影響該方法本身的創(chuàng)新性。

盡管沒有打敗BERT，但其思想還是令人印象深刻。

作者這個策略也沒有很不合理啦，最重要的是后面還會有更多探索這個研究方向的論文出來。

圖片

GoogleAI的研究員Lucas Beye也表達了類似的意思。

圖片

值得一提的是，在Ken之后，斯坦福博士Yann Dubois又發(fā)現(xiàn)該論文的問題還不止如此——

其訓練測試集也重疊了。

比如DengueFilipino的訓練集和測試集完全一樣，而KirundiNews的重復率也高達90%。

圖片

當然，一如既往，由于該方法實在是太特別了，盡管網(wǎng)友評論中也充斥著“wtf”這樣的聲音，但大部分人還是堅決捍衛(wèi)它的重要貢獻，認為問題不大，可能只是審查不到位等等。

這不，“你可以扼殺一篇論文，但你無法扼殺一個想法”的評論都出來了。

圖片

大家怎么看？這兩個bug影響你對這篇論文的看法嗎？

Ken原博：https://kenschutte.com/gzip-knn-paper/
原論文：https://aclanthology.org/2023.findings-acl.426/