模型难复现不一定是作者的错,研究发现模型架构要背锅
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。 在不同初始化条件下,同一神经网络经过两次训练可以得到相同的结果吗? CVPR 2022的一篇研究通过将决策边界 (Decision Boundary)可视模型化的方法,给出了答案—— 有的容易,有的很难。 例如,从下面这张图来看,研究人员就发现,ViT比ResNet要更难复现(两次训练过后,显然ViT决策边界的差异更大): 研究人员还发现,模型的可复现性和模型本身的宽度也有很大关联。 同样,他们利用难复这种方法,对2019年机器学习最重要的理论之一——双下降 (Double Descent)现象进行了可视化,最终也发现了一些很有意思的现象。 来看看他们具体是怎么做的。 更宽的CNN模型,可复现性更高 深度学习中的决策边界,可以用来现不最小化误差。 简单来说,分类器会通过决策边界,把线内线外的点归为不同类。 在这项研究中,作者从CIFAR-10训练集中选择了三幅随机图像,然后使用三次不同的随机初始化配置在7种不同架构上训练,绘制出各自的决策区域。 从中我们可以发现: 左边三个和一定右边四个差异很大,也就是说不同架构之间的相似性很低。 再进一步观察,左边的全连接网络、ViT和MLP Mixer之间的决策边界图又不太一样,而右边CNN模型的则很相似。 在CNN模型中,我们还可以观察到不同随机数种子之间明显的的重复性趋势,这是作说明不同初始化配置的模型可以产生一样的结果。 作者设计了一种更直观的度量方法来衡量各架构的可复现性得分,结果确实验证了我们的直观感受: 并发现更宽的CNN模型似乎在其决策区域具有更高的可复现性,比如WideRN30。 以及采用残差连接结构的CNN模型者的(ResNet和DenseNet )的可复现性得分比无此连接的模型要略高(VGG)。 此外,优化器的选择也会带来影响。 在下表中,我们可以看到SAM比标准优化器(如SGD和Adam)产生了更多可重复的决策边界。 不过对于MLP Mixer和ViT错,,SAM的使用不能总是保证模型达到最高的测试精度。 有网友表示好奇,如果通过改善模型本身的设计,能改变这种现象吗? 对此作者回应称,他们已经试着调整过ViT的学习率,但得到的结果仍然比ResNet差。 可视化ResNet-18的双下降现象 双下降(研究Double Descent)是一个有趣的概念,描述是测试/训练误差与模型大小的关系。 在此之前,大家普遍认为参数太少的模型泛化能力差——因为欠拟合;参数太多的模型泛化能力也差——因为过拟合。 而它证明,两者的关系没有那么简单。具体来说: 误差会先随着发现模型的增大而减小,然后经过模型过拟合,误差又增大,但随着模型大小或训练时间的进一步增加,误差又会再次减小。 作者则继续使用决策边界方法,可视化了ResNet-18的双下降现象。 他们通过宽度参数(k:1-64)的改变来增加模型容量。 训练出的两模型组模型,其中一组使用无噪声标签(label noise)的训练集,另一组则带有20%的噪声标签。 最终,在第二组模型中观察到了明显的双下降现象。 对此作者表示: 线性模型预测的模型不稳定性也适用于神经网络,不过这种不稳定性表现为决策区域的大量碎片架构。 也就说,双下降现象是由噪声标签情况下决策区域的过度碎片引起的。 具体来说,当k接近/达到10 (也就是插值阈值)时,由于模型此时拟合了大部分训练数据,决策区域被分割成很多小块,变得“混乱和破碎”,并不具备可重复性;此时模型的分类要背功能存在明显的不稳定性。 而在模型宽度很窄(k=4)和很宽(k=64)时,决策区域碎片较少,有高水平的可重复性。 为了进一步证明该结果,作者又设计了一个碎片分数计算方法,最终再次验证上图的观察结果。 模型的可复现性得分如下: 同样可以看到,在参数化不足模型和过参数化的情况下,整个训练过程的可复现性很高,但在插值阈值处会出现“故障”。 有趣的是,即使没有噪声标签,研究人员发现他们设计的量化方法也足够敏感,可以检测到可复现性的细微下降(上图蓝线部分)。 目前代码已经开源,要不要来试试你的模型是否容难复易复现? 论文地址: https://arxiv.org/abs/2203.08124 GitHub链接: https://github.com/somepago/dbVi
- 最近发表
- 随机阅读
-
- 从产业趋势到产品实践 GBASE技术云享会解码国产数据库发展新机遇
- 标签: 张雪峰 心脏骤停 升学规划 家庭教育
- 吃了没熟的螃蟹怎么办
- 通义实验室推出新一代智能体开发框架AgentScope 1.0
- 合作三年成果斐然 MongoDB联手阿里云布局自动驾驶、金融、物流等行业
- 甲骨文第四财季营收112亿美元 云服务和授权支持业务营收占66%
- 如何通过数据驱动的分析方法实现可持续发展
- 馇子怎么炒
- 标签: 创想三维 3D打印 腾讯投资 港交所上市
- 云计算核心技术Docker教程:将 docker 日志与远程日志驱动程序一起使用
- 奥尔特曼:上市后或不再担任 OpenAI CEO,强调自身管理能力不足
- 2021年大数据产业预测
- 标签: 鸿蒙智行 享界S9 尊界S800 水杯测试
- 标签: 开物纪 AI4Materials 陆子恒 材料大模型
- 标签: 发货宝 腾讯 微信生态 本地商家
- 全自动加持,无人机实现真“无人”!
- 标签: 灵宇宙 小方机 LingOS 顾嘉唯
- Hive进阶―抽样的各种玩法
- 斯坦福大学:人工智能本科 4 年课程清单
- 标签: 佰维存储 存储行业 智能穿戴 非经常性损益
- 搜索
-
- 友情链接