近日，Geoffrey Hinton 那篇备受关注的 capsule 论文终于公开了，这是 Hinton 对未来人工智能形态的新探索，得到了人工智能领域的广泛关注。而现在基于 Capsule 的新研究成果也已经出现。这里介绍的就是一篇正处于双盲评审阶段的关于 Capsule 的 ICLR 2018 论文（目前论文作者未知）。机器之心对该论文进行了摘要介绍，论文全文请访问以下链接。
论文地址：https://openreview.net/pdf?id=HJWLfGWRb
论文：使用 EM 路由的矩阵 capsule（MATRIX CAPSULES WITH EM ROUTING）
capsule 是一组神经元，其输出可表征同一个实体的不同性质。我们描述了一种 capsule 版本，其中每个 capsule 都有一个 logistic 单元（用来表示一个实体的存在）和一个 4×4 的姿态矩阵（pose matrix）（可以学习表征该实体与观看者之间的关系）。某一层的 capsule 会为上一层中许多不同 capsule 构成的姿态矩阵投票（vote），这是通过将它自己的姿态矩阵与视角不变的变换矩阵（viewpoint-invariant transformation matrix）相乘而实现的，可以学习表征「部分-整体」关系。这些投票中的每一个都会根据分配的系数加权。这些系数使用 EM 算法迭代式地更新，这样每一个 capsule 的输出都会被路由到上一层的一个 capsule，它会收到一组相似投票的集群。这整个系统是通过每个相邻层对之间的 EM 的展开的 3 次迭代而鉴别式地训练的。在 smallNORB 基准上，相比于当前最佳的方法，capsule 将测试错误的数量降低了 45%。比起我们的基准卷积神经网络，capsule 也表现得更能抵抗白盒对抗攻击（white box adversarial attack）。
Hinton et al. (2011) 在一个变换自编码器中使用了一个变换矩阵，它可以将立体图像对变换成来自稍微不同视角的立体对。但是，这种系统需要由外部提供变换矩阵。最近，按一致性路由（routing-by-agreement）在分割高度重叠的数字上得到了非常好的效果（Sabour et al. (2017)），但这个系统还有一些不足之处，而我们的研究成果已经解决了这些问题：
1. 它使用了姿态向量（pose vector）的长度来表示由一个 capsule 所表示的实体存在的概率。为了让该长度小于 1，需要一种无原则的非线性（unprincipled non-linearity），这可以防止其成为任何可感知的目标函数，它由迭代式的路由过程（routing procedure）最小化。
2. 它使用了两个姿态向量之间的角的余弦来测量它们之间的一致性。和高斯聚类的对数方差不一样，余弦并不非常适用于区分相当好的一致性与非常好的一致性。
3. 它使用了长度为 n 的向量，而不是有 n 个元素的矩阵来表示一个姿态，所以其变换矩阵具有 n^2 个参数，而不只是 n 个。
capsule 模型
我们模型的一般架构如图 1 所示。模型开始时有一个带有 32 个通道（A=32）的 5×5 卷积层，其步幅（stride）为 2，且带有 ReLU 非线性激活函数。所有其它层都是 capsule 层，是从主 capsule 层开始的。每一个 capsule 都有一个 4×4 的姿态矩阵和一个 logistic 激活单元。B=32 种主 capsule 类型中每一个的 4×4 姿态都是以该位置为中心的所有更低层 ReLU 的输出的线性变换。主 capsule 的激活是通过在更低层 ReLU 的同一个集合的加权和上应用 sigmoid 函数而得到的。
主 capsule 之后跟着两个 3×3 卷积 capsule 层（K=3），其中每一层都带有 32 种 capsule 类型（C=D=32），步幅分别为 2 和 1。卷积 capsule 的最后一层连接到最后的 capsule 层，该层的每一个输出类别都有一个 capsule。
图 1：带有一个 ReLU 卷积层，后面跟着一个主卷积 capsule 层和两个其它卷积 capsule 层。
当将最后的卷积 capsule 层连接到最后一层时，我们不想扔掉任何有关该卷积 capsule 的位置的信息，但我们也想利用这个事实：所有同一类型的 capsule 都在不同的位置提取同一个实体。因此我们在同一 capsule 类型的不同位置之间共享变换矩阵，并且会将每个 capsule 的感受野的中心的扩展坐标（行、列）添加到其投票的前两个元素。我们将这种技术称为 Coordinate Addition。这应该可以鼓励共享的最终变换为这两个元素提供价值，它们能表示该实体相对于该 capsule 的感受野的中心的精细位置（fine position）。
路由过程用在每个相邻的 capsule 层对之间。对于卷积 capsule，在 L+1 层中的每个 capsule 都会只向 L 层中的感受野中的 capsule 发送反馈。因此，在 L 层中的每个卷积实例都最多从 L+1 层中的每个 capsule 类型接收 kernel_size×kernel_size 个反馈。接近图像边界的实例接收更少的反馈，而图像边角处的实例仅从从 L+1 层中的每个 capsule 类型接收 1 个反馈。
路由算法（routing algorithm）会根据 L 层中的 capsule 的激活和投票返回 L+1 层中 capsule 的激活和姿态。V_ich 是从 capsule i（在 L 层带有激活 a_i）到 L+1 层中 capsule c 的 H 维投票。β_a、β_v 是鉴别式的学习到的，反向温度（inverse temperature）λ 按每个固定调度的迭代增加。
图 2：在每次路由迭代后，5 个最终 capsule 中每一个到它们平均投票的距离的直方图。每个距离点都有其分配的概率的加权。所有三张图像都是从 smallNORB 测试集选择的。在卡车和人类样本中，这个路由过程正确地选择了这些投票的路径。飞机样本是该模型的一个罕见的失败案例，该模型在第三个路由迭代中将飞机和汽车混淆了。这个直方图被放大了，只显示了距离小于 0.05 的投票。
实验
表 1：我们的 capsule 模型在 smallNORB 上改变不同分量的效果。
表 2：当基准 CNN 与 capsule 模型在相似视角下的误差率相当时，该基准 CNN 与 capsule 模型在全新视角下的 smallNORB 测试误差率比较。