够黄就能和谐了。
但平台不为所动，反手夹走了真正身体外露的“正确选项”：
挂图，实在是门玄学。
可在这个虽自但医的现代网络里，谁又能定义什么才是真正的GHS呢？
无法明确定义，后续的鉴定工作就无从开展。
欣赏人体艺术的精神需求，以及教育未成年人的现实需求，如何统一这两者，就成了一个亟待解决的问题。
为了大家的身心健康，我们有必要来探讨一下，如何才能科学有效地鉴黄。
人类鉴黄行不行？评判一个人类鉴黄师行不行，首先要考虑知识渊博程度。
毕竟对于人类来说，鉴黄是个经验驱动型工作。
简单来说，就是要综合考虑一张图片中人物皮肤裸露、肢体动作和表情神态等特征，然后以个人经验来判断是否涉黄。
虽然鉴定结果难免会受个人喜好个体差异的影响，但总体来说，只有拥有长期高速驾驶的经验，才能对色情和性感拿捏自如。
好，再来康康鉴黄师们的身体够不够结实。
冷知识：我们常说的“鉴黄”，在国内更多是“内容审核”或“内容安全”部门的工作。
所以广大审核员们每天要面对的不仅是小黄图，还有互联网上时刻都在爆炸式增长的各类内容。
有调查显示，审核员们平均8个小时要看超过600部视频，听4000条语音，看上万张涉黄图片，处理近10亿条不良信息。
高强度、低工资和轮班制更是工作常态：
在这样的一杯茶一包烟，一万图片看一天的996生活下，有人的心态慢慢失衡。
也有人因为长期面对大量低俗、猎奇的垃圾信息，甚至是暴力、血腥的违法内容，而产生了心理阴影。
还有更多或是因为受够了每天几千条的黄暴图片选择转行，或是因为长时间的高强度压抑工作患上了抑郁症，甚至最终自杀的审核员。
△纪录片《网络审查员》剧照
那么对于不堪重负的人类鉴黄师，计算机能来帮帮忙吗？
当然可以！机器学习算法早在2018年就已经赶来助力了。
那能不能取代人类？
不能。
很遗憾，AI鉴黄在一开始，就遇到了重重困难。
AI鉴黄难在哪？简单来说，AI鉴黄的过程是这样的：
最开始，由算法工程师给AI模型喂入大量已标注性感/色情的图片。
然后，AI会在图像数据的特征空间上学习一个决策面，将色情及性感两类数据划分开来。
△分类器完成决策面
完成这种“分类”，也即AI学习一个鉴黄分类函数的过程。
到最后，通过这一分类函数，使AI模型达到输入一张图片，就能正确输出一个“正常/色情”标签的效果。
听起来容易，但要让AI真正学会检测小黄图，却是难上加难。
第一个问题，就是目前没有行业统一的标准。
虽然可以参考《暂行规定》相关文件中提出的关于淫秽信息的标准，但对于色情内容，不同行业总是有自己的管控标准和接受程度。
比如下面这四张图，它们在各自的领域可能是人体雕塑的艺术、学前科普的教育、沙雕网友的智慧，以及呃……GHS了，但又没有完全搞的神奇图片。
但换个领域，换个平台，可能就会：
毕竟，有时候人类可能都无法互相理解，AI就更不明白“什么才是真正的黄色了”。
碰到再勇一点的AI，不求准确，直接一个玄学挂图法就将所有可能一波带走。
第二个难点，就是现实里样本含量极少的问题了。
不同于训练时期的大口喂图，现实里的色情内容，只是海量网络信息中极小的一部分。
所以实际上岗工作后，AI更可能面对的是“大海捞黄”的情况。
而当AI捞了半天小黄图出来，等待下一步的优化训练时，又会出现一个新的问题——
正确率越高，AI鉴黄师就更好吗？
不！
这种情况下，就算AI算法的正确率达到了99%，它也可能是不合格的鉴黄师！
因为当小黄图的比例在1%以下时，即使AI在测试中将所有图片都判断为“正常”，正确率也能轻松突破99%。
那么这时，AI鉴黄师哪怕完全不会鉴黄，也能达成“高正确率”的目标——
只需要全判断成“正常图片”就行！
这可比错夹了艺术作品严重多了。
如何让AI科学鉴黄？先来解决最关键的问题——
如何让AI模型应对真实场景中，小黄图占比少的问题？
当然是给AI“鉴黄师”设个更合理的KPI。
AI“鉴黄师”需要明白，假阳性（正常图误判成小黄图）和假阴性（小黄图误判成正常图），其实是两种严重性不一样的错误！
为此，来自中科院的专家，提出了一种名为局部AUC优化的方法，用2个指标对AI模型进行约束。
AUC（Area Under Curve）全称曲线下面积，通常这里的曲线指ROC（Receiver Operating Characteristic Curve），即受试者工作特征曲线。
当我们画一条ROC曲线时，其Y轴为真阳性率（True Positive Rate, TPR），而X轴则为假阳性率（False Positive Rate, FPR），曲线为ROC，被包裹的蓝色面积就是AUC。
真阳性率：所有真·小黄图中，被正确判断成小黄图的比率；
假阳性率：所有真·正常图中，被错误判断成小黄图的比率。
如果AI“鉴黄师”胡乱分类（未经训练，随机分类），那么真阳性率和假阳性率基本持平。
因此，有效的AI“鉴黄师”，真阳性率必须比假阳性率高，（最理想的状态是真阳性率为1，不出错），测出来的蓝色面积就更大，这也是它的KPI了。
而且为了让AI“鉴黄师”符合岗位要求，真阳性率（TPR）和假阳性率（FPR）还必须符合一定的阈值，就像下面这样：
可别小看这个指标，它会让AI“鉴黄师”专注提升AUC，且不受到标签分布的影响。
这样的KPI，如何能让AI模型灵活handle不同行业的标准？
据团队介绍，这里的阈值并不是固定的，而同样会根据各行各业不同的标准，以及对风险召回率的要求和人工审核成本等因素进行调整的，最终实现风险召回和审核成本间的最佳平衡。
针对各行各业不同的认知标准，团队还会从数据集下手，对模型进行调整。
团队表示，不同场景下，对于色情风险防控的标准和认知确实有所不同。
为此，团队在做数据标记时，会用非常详细的标签对数据进行描述，也就是细粒度打标。用不同的训练集训练后，同一种AI模型，也能适应不同的行业标准了。
除此之外，在做数据标记时，也会有讲究。
如果只让一个人来对数据集进行标记，那么训练出来的AI模型肯定会带有个人偏好。为了避免这种情况，就得靠多人多次打标，用统计学对抗偏见。
这样，训练出来的AI“鉴黄师”，既能通过不同的训练集“培养特长”，也能根据合理的“KPI”激励自己做得更好。
真的减轻人类工作了吗？减轻了！
据团队表示，还是降低了不少工作量的。
首先，AI鉴黄师在看过每张样本后，会给色情、性感等标签打个预测分，是更接近小黄图、还是更接近性感图。
根据这些分值，机器会自动对结果的可信度进行分层。
如果AI对自己很有自信——给的分数很高，那么直接输出结论就行。
这种情况下，就不需要人类鉴黄师再看一遍了。
但如果AI觉得水太深，把握不住，就还是交给人类鉴黄师来审核。
为了进一步减轻人类鉴黄师的工作量，AI鉴黄师还会“回看”自己打分低的那些图片：我到底为什么对它们拿不准？
然后，再对这些图片进行学习，进一步提升鉴黄水平。
团队介绍这篇正经研究，目前已经登上了机器学习顶会ICML 2021，属于录用率仅3%的长文成果。
开发出这个指标的团队成员，分别来自中科院、信息安全国家重点实验室、深圳鹏城实验室等研究机构。
一作杨智勇，是中科院信息工程研究所信息安全国家重点实验室的博士生，目前已在在CCF-A类会议/期刊上发表论文20篇。
目前，这位小哥已经以一作身份，在TPAMI、ICML、NeurIPS、TIP、AAAI等顶会上发表过论文，其中ICML中的还是oral。
二作许倩倩，是中国科学院计算技术研究所副研究员。
当然，除了鉴黄以外，这个指标还能被用在更多的AI安全模型上。
据研究团队表示，除了鉴黄以外，这个指标也能应用到更多的安全场景中，包括过滤违规信息（例如诈骗广告）。
— 完 —