一、前言

我第一次见到消融实验（Ablation Study）这个概念是在论文《Faster R-CNN》中。

消融实验类似于我们熟悉的“控制变量法”。

假设在某目标检测系统中，使用了A，B，C，取得了不错的效果，但是这个时候你并不知道这不错的效果是由于A，B，C中哪一个起的作用，于是你保留A，B，移除C进行实验来看一下C在整个系统中所起的作用。

二、定义

Robert Long对消融研究（或消融实验）定义：

通常用于神经网络，尤其是相对复杂的神经网络，如R-CNN。我们的想法是通过删除部分网络并研究网络的性能来了解网络。

“消融”的原始含义是手术切除身体组织。

ablation解释: 通过机械方法切除身体组织，如手术，从身体中去除，尤指器官、异常生长或有害物质。

三、来历

“消融研究”这一术语的根源于20世纪60年代和70年代的实验心理学领域，其中动物的大脑部分被移除以研究其对其行为的影响。

在机器学习，特别是复杂的深度神经网络的背景下，已经采用“消融研究”来描述去除网络的某些部分的过程，以便更好地理解网络的行为。

自从Keras深度学习框架的主要作者Francois Chollet在2018年6月发布twtter以来，该术语受到了关注：

消融研究对于深度学习研究至关重要。理解系统中的因果关系是产生可靠知识的最直接方式（任何研究的目标）。消融是一种非常省力的方式来研究因果关系。

如果您采用任何复杂的深度学习实验设置，您可能会删除一些模块（或用随机的模块替换一些训练有素的功能）而不会降低性能。消除研究过程中的噪音：进行消融研究。

如果您无法完全理解您的系统？很多活动部件，想确定它的工作原因是否与您的假设密切相关？尝试删除东西。花费至少约10％的实验时间来诚实地反驳你的论文。

四、举例说明

Girshick及其同事描述了一个由三个“模块”组成的物体检测系统：

第一个使用选择性搜索算法提出图像区域，在该区域内搜索物体；

进入一个大的卷积神经网络（有5个卷积层和2个完全连接的层），进行特征提取；

进入一组支持向量机进行分类。

为了更好地理解该系统，作者进行了一项消融研究，其中系统的不同部分被移除。例如，移除CNN的一个或两个完全连接的层导致性能损失惊人地少。

这使作者得出结论：

CNN的大部分代表性力量来自其卷积层，而不是来自更大的密集连接层。