Neueste Fortschritte bei Sparse-Modellen! Ma Yi + LeCun bündeln ihre Kräfte: „White Box“ unbeaufsichtigtes Lernen

Kürzlich haben Professor Ma Yi und Turing-Award-Gewinner Yann LeCun gemeinsam auf der ICLR 2023 einen Artikel veröffentlicht, in dem sie eine minimalistische und interpretierbare unbeaufsichtigte Lernmethode beschreiben, die keinen Rückgriff auf Datenverbesserung oder Hyperparameteranpassung oder andere technische Designs erfordert und mit der Sie nahezu eine Leistung erzielen können die SOTA-SSL-Methode.

Link zum Papier: https://arxiv.org/abs/2209.15261 Merkmalsanalyse) kombiniert.

Durch die Verwendung einer einschichtigen deterministischen spärlichen Mannigfaltigkeitstransformation kann eine KNN-Top-1-Genauigkeit von 99,3 % auf MNIST, eine KNN-Top-1-Genauigkeit von 81,1 % auf CIFAR-10 und eine KNN-Top-1-Genauigkeit von 81,1 % auf CIFAR-100 erreicht werden . 53,2 % KNN-Top-1-Genauigkeit erreicht.

Durch einfache Graustufenverbesserung erreichte die Genauigkeit des Modells auf CIFAR-10 und CIFAR-100 83,2 % bzw. 57 %. Diese Ergebnisse verringerten die Lücke zwischen der einfachen „White-Box“-Methode und der SOTA-Methode deutlich .

Darüber hinaus bietet der Artikel auch eine visuelle Erklärung, wie eine unbeaufsichtigte Darstellungstransformation durchgeführt wird. Diese Methode ist eng mit der selbstüberwachten Methode der latenten Einbettung verwandt und kann als die einfachste VICReg-Methode angesehen werden.

Obwohl zwischen unserem einfachen konstruktiven Modell und dem SOTA-Ansatz immer noch eine kleine Leistungslücke besteht, gibt es Hinweise darauf, dass dies eine vielversprechende Richtung ist, um ein prinzipielles, unbeaufsichtigtes White-Box-Lernen zu erreichen.

Der Erstautor des Artikels, Yubei Chen, ist Postdoktorand am Center for Data Science (CDS) und Meta Basic Artificial Intelligence Research (FAIR) an der New York University. Er hat seinen Abschluss gemacht mit einem Doktortitel in theoretischer Neurologie vom Redwood Center der University of California, Berkeley Science und dem Berkeley Artificial Intelligence Institute (BAIR), mit einem Bachelor-Abschluss von der Tsinghua University.

Die Hauptforschungsrichtung ist die Schnittstelle zwischen computergestütztem neurowissenschaftlichem Lernen und tiefem unbeaufsichtigtem (selbstüberwachtem) Lernen. Die Forschungsergebnisse verbessern das Verständnis der rechnerischen Prinzipien des unbeaufsichtigten Repräsentationslernens im Gehirn und in der Maschine. und umformen. Ein Verständnis der Statistik natürlicher Signale.

Professor Ma Yi erhielt 1995 einen Doppel-Bachelor-Abschluss in Automatisierung und angewandter Mathematik von der Tsinghua-Universität, 1997 einen Master-Abschluss in EECS von der University of California, Berkeley sowie einen Master-Abschluss in Mathematik und einen Doktortitel in EECS 2000. Derzeit ist er Professor am Fachbereich Elektrotechnik und Informatik der University of California, Berkeley, und außerdem IEEE Fellow, ACM Fellow und SIAM Fellow.

Yann LeCuns berühmtestes Werk ist die Verwendung von Faltungs-Neuronalen Netzen (CNN) in der optischen Zeichenerkennung und Computer Vision. Er ist auch als Vater der Faltungsnetze bekannt und gewann gemeinsam mit Bengio und Hinton den höchsten Preis Auszeichnung bei den Informatikpreisen Turing Award.

Beginnen Sie mit dem einfachsten unüberwachten Lernen

Unüberwachtes Repräsentationslernen hat in den letzten Jahren enorme Fortschritte gemacht und wird voraussichtlich eine starke Skalierbarkeit beim datengesteuerten maschinellen Lernen bieten.

Allerdings ist noch unklar, was eine erlernte Darstellung ist und wie genau sie auf unbeaufsichtigte Weise gebildet wird. Darüber hinaus ist immer noch unklar, ob es einen gemeinsamen Satz von Prinzipien gibt, die allen diesen unbeaufsichtigten Darstellungen zugrunde liegen.

Viele Forscher haben erkannt, wie wichtig es ist, das Modellverständnis zu verbessern, und haben einige bahnbrechende Maßnahmen ergriffen, um zu versuchen, die SOTA-Methode zu vereinfachen, Verbindungen zu klassischen Methoden herzustellen, verschiedene Methoden zu vereinheitlichen und Darstellungen zu visualisieren und diese Methoden aus theoretischer Sicht zu analysieren , mit der Hoffnung, eine andere Computertheorie zu entwickeln: eine, die es uns ermöglicht, einfache, vollständig interpretierbare „White-Box“-Modelle aus Daten zu erstellen, die auf ersten Prinzipien basieren und auch Einblicke in das Verständnis der Prinzipien des unbeaufsichtigten Lernens im menschlichen Gehirn liefern können Anleitung.

In dieser Arbeit machten die Forscher einen weiteren kleinen Schritt in Richtung dieses Ziels und versuchten, das einfachste unbeaufsichtigte „White-Box“-Lernmodell zu erstellen, das keine tiefen Netzwerke, Projektionsköpfe, Datenerweiterung oder andere verschiedene technische Designs erfordert.

Durch die Verwendung zweier klassischer Prinzipien des unbeaufsichtigten Lernens, nämlich Sparsity und Spectral Embedding, wird ein zweischichtiges Modell erstellt, das Ergebnisse auf mehreren Standarddatensätzen erzielt, die nicht signifikante Basisergebnisse erzielen.

Experimentelle Ergebnisse zeigen, dass das zweischichtige Modell, das auf der Transformation dünner Mannigfaltigkeiten basiert, dasselbe Ziel hat wie die selbstüberwachte Methode mit latenter Einbettung und die beste Leistung auf MNIST ohne Datenerweiterung erzielt. Die höchste Genauigkeit der Stufe 1 von KNN beträgt 99,3 %, und die höchste Genauigkeit der Stufe 1 von KNN beträgt 81,1 % bei CIFAR-10 und die Genauigkeit beträgt 53,2 % bei CIFAR-100.

Durch einfache Graustufenverbesserung haben wir außerdem eine KNN-Top-1-Genauigkeit von 83,2 % auf CIFAR-10 und 57 % KNN-Top-1-Genauigkeit auf CIFAR-100 erreicht.

Diese Ergebnisse sind ein wichtiger Schritt, um die Lücke zwischen „White-Box“-Modellen und selbstüberwachten SOTA-Modellen (SSL) zu schließen. Obwohl die Lücke immer noch erheblich ist, glauben die Forscher, dass eine weitere Verringerung der Lücke das Potenzial für eine Verbesserung birgt Auch das Erlernen eines tieferen Verständnisses ist ein vielversprechender Forschungsweg, der zur praktischen Anwendung dieser Theorie führt.

Drei grundlegende Fragen

Was ist unbeaufsichtigte (selbstüberwachte) Neupräsentation? sind mehr an nützlichen Transformationen interessiert.

Ein Makroziel des unbeaufsichtigten Re-Präsentationslernens besteht darin, eine Funktion zu finden, die die Originaldaten in einen neuen Raum umwandelt, sodass „ähnliche“ Dinge gleichzeitig näher platziert werden, der neue Raum nicht zusammengeklappt wird trivial, das heißt, die geometrische oder zufällige Struktur der Daten muss erhalten bleiben.

Wird dieses Ziel erreicht, dann werden „unähnliche“ Inhalte naturgemäß weit entfernt im Darstellungsraum platziert.

Woher kommt Ähnlichkeit?

Die Ähnlichkeit beruht hauptsächlich auf drei klassischen Ideen: 1) zeitliches Zusammentreffen, 2) räumliches Zusammentreffen und 3) lokale Nachbarschaften im ursprünglichen Signalraum.

Wenn es sich bei der zugrunde liegenden Struktur um eine geometrische Struktur handelt, überschneiden sich diese Ideen in erheblichem Maße. Wenn es sich jedoch um eine zufällige Struktur handelt, unterscheiden sie sich auch konzeptionell von der vielfältigen Struktur Struktur.

Unter Verwendung der Lokalität schlagen verwandte Arbeiten zwei unbeaufsichtigte Lernmethoden vor: vielfältiges Lernen und statistische Modellierung des gleichzeitigen Auftretens. Viele dieser Ideen haben die Formulierung der Abstammungszerlegung oder der Aufschlüsselung eng verwandter Matrizen erreicht.

Das Konzept des vielfältigen Lernens besteht darin, dass nur lokale Nachbarschaften im ursprünglichen Signalraum glaubwürdig sind. Durch die umfassende Berücksichtigung aller lokalen Nachbarschaften entsteht eine globale Geometrie, das heißt „globales Denken, lokale Anpassung“ (global denken, lokal anpassen). ).

Im Gegensatz dazu folgt die statistische Modellierung des gleichzeitigen Auftretens einem probabilistischen Konzept, da einige Strukturen nicht durch kontinuierliche Mannigfaltigkeiten modelliert werden können, sodass sie auch das Mannigfaltigkeitskonzept ergänzt.

Eines der offensichtlichsten Beispiele stammt aus der natürlichen Sprache, wo die Originaldaten im Grunde nicht aus glatter Geometrie stammen. Beispielsweise können die Einbettungen von „Seattle“ und „Dallas“ sogar sehr ähnlich sein obwohl dies nicht der Fall ist. Der Hauptgrund für das häufige gleichzeitige Auftreten ist, dass sie ähnliche Kontextmuster aufweisen.

Die Perspektiven von Wahrscheinlichkeit und Mannigfaltigkeit ergänzen einander beim Verständnis von „Ähnlichkeit“. Sobald es eine Definition von Ähnlichkeit gibt, kann eine Transformation konstruiert werden, um ähnliche Konzepte näher zu bringen.

Wie wird in diesem Artikel eine Repräsentationstransformation etabliert? Grundprinzipien: Sparsity und niedriger Rang

Im Allgemeinen kann Sparsity verwendet werden, um Lokalität und Zerlegung im Datenraum zu handhaben, um Unterstützung herzustellen. Anschließend werden Niederfrequenzfunktionen verwendet, um Darstellungstransformationen zu konstruieren, um ähnliche Werte zu transformieren dem Ähnlichkeitspunkt auf dem Träger zugeordnet.

Der gesamte Prozess kann auch als spärliche Mannigfaltigkeitstransformation bezeichnet werden.

Das obige ist der detaillierte Inhalt vonNeueste Fortschritte bei Sparse-Modellen! Ma Yi + LeCun bündeln ihre Kräfte: „White Box“ unbeaufsichtigtes Lernen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!