基于压缩感知与分组测试的高效神经网络图像审核分类与离群检测

流行的社交媒体平台采用基于神经网络的图像审核引擎，将上传的图像分类为可能含有违规内容。此类审核引擎必须处理大量查询且计算成本高昂，尽管实际含违规内容的图像数量通常极少。受近期神经分组测试工作的启发，我们提出一种利用该事实、借助压缩感知（CS）技术降低此类引擎整体计算成本的方法。我们提出定量矩阵池化神经网络（QMPNN），其以 $n$ 幅图像及一个 $m \times n$ 的二值池化矩阵（$m < n$）为输入，矩阵各行表示 $m$ 个图像池，即从 $n$ 幅中选出 $r$ 幅图像。QMPNN 高效输出该矩阵与未知稀疏二值向量的乘积，该向量指示每幅图像是否违规，即输出每个池中违规图像的数量。对合适矩阵，使用 CS 解码算法解码以预测哪些图像违规。运行 QMPNN 与 CS 算法的计算成本显著低于使用同等参数量神经网络对每幅图像单独分类的成本，我们通过大量实验证明了这一点。我们的技术对 QMPNN 预测中的中等错误具有固有鲁棒性。此外，我们提出池化深度离群检测，将 CS 与分组测试技术引入深度离群检测，以应对违规图像不属于预定义类别集合的情况。该技术可对专用于分享某单一类别图像的专题论坛上所分享的离题图像实现高效自动审核，其中许多目前由人工审核。