Atvērties nomaiņas regulācijas spēkam dziļajā mācīšanā: kā vienkāršs triks revolūcijas modeļa sniegumu un novērš pārprodukciju

Iev introduction: Pārprodukcijas dilemmā dziļajā mācīšanā
Kas ir nomaiņas regulācija? Izcelsme un pamatprincipi
Kā darbojas nomaiņa: mehānismi un matemātiskās pamats
Nomaiņas ieguvumi: izturība, ģenerālizācija un vēl vairāk
Nomaiņas īstenošana: labākais prakses un izplatītie kritumi
Nomaiņas varianti un nesenie jauninājumi
Gadījumu pētījumi: Nomaiņas darbība reālas pasaules lietojumos
Salīdzinot nomaiņu ar citām regulācijas tehnikām
Ierobežojumi un kad neizmantot nomaiņu
Nākotnes virzieni: regulācijas stratēģiju attīstība dziļajā mācīšanā
Avoti un atsauces

Iev introduction: Pārprodukcijas dilemmā dziļajā mācīšanā

Dziļās mācīšanas modeļi, īpaši dziļie neironu tīkli, ir sasnieguši ievērojamus panākumus plašā uzdevumu diapazonā, sākot no attēlu atpazīšanas līdz dabīgās valodas apstrādei. Tomēr to augstā spēja mācīties sarežģītas paraugus padara tos jūtīgus pret pārprodukciju – parādību, kurā modelis labi darbojas apmācības datos, bet nespēj ģenerēt neredzētiem datiem. Pārprodukcija rodas, kad modelis nekonstatē tikai datu pamatstruktūru, bet arī troksni un īpatnības, kas raksturīgas apmācības kopai. Šo problēmu pasliktina dziļās arhitektūras vēl tostarp ar milzīgo parametrus un slāņu skaitu, kuri var viegli iegaumēt apmācības piemērus, nevis mācīties izturīgas, ģenerējamas iezīmes.

Lai risinātu pārprodukcijas dilemmu, pētnieki ir izstrādājuši dažādas regulācijas tehnikas, kas ierobežo mācīšanās procesu un veicina ģenerāciju. Starp šīm tehnikām nomaiņas regulācija ir izcēlusies kā īpaši efektīva un plaši pieņemta metode. Noma darbojas, izzūdot nejauši izvēlēta neironu apakškopa katras apmācības iterācijas laikā, efektīvi novēršot tīklu pārmērīgu paļaušanos uz kādu vienu funkciju vai ceļu. Šis stohastiskais process mudina tīklu mācīties lieku pārstāvniecību, līdz ar to palielinot tā spēju ģenerēt jaunos datos. Noma ir ievērojami uzlabojusi dziļās mācības modeļu sniegumu un izturību, par ko liecina pamata pētījumi Torontie universitātē un sekojošie pētījumi no Google Research.

Nobeigumā, nomaiņas regulācija tieši risina pārprodukcijas dilemmu dziļajā mācīšanā, ieviešot nejaušību un lieko pārstāvniecību mācību procesā, galu galā novedot pie uzticamākiem un ģenerablākiem modeļiem.

Kas ir nomaiņas regulācija? Izcelsme un pamatprincipi

Nomaiņas regulācija ir plaši izmantota tehnika dziļajā mācīšanā, kas izstrādāta, lai mazinātu pārprodukciju, nejauši “izdzēšot” elementus (neironus) apmācību procesā. Šī metode pirmo reizi tika ieviesta Torontie universitātes pētnieku 2014. gadā, mērķējot risināt neironu tīklu izaicinājumu iegaumēt apmācību datus, nevis ģenerēt neredzētas piemēras. Pamatprincips ietver neironu apakšgrupas, kopā ar to savienojumiem, īslaicīgu izņemšanu no tīkla katra uz priekšu un atpakaļ pogstā. Šis stohastiskais process piespiež tīklu mācīties lieku pārstāvniecību, jo nevienam atsevišķam neironam nav iespējas paļauties uz konkrētu citu neironu klātbūtni, tādējādi veicot izturību un uzlabojot ģenerāciju.

Nomaiņas izcelsme ir izsekojama Geoffrey Hinton un kolēģu darbā Torontie universitātē, kuri parādīja, ka noma būtiski samazina testu kļūdu likmes dažādos dziļās mācīšanas uzdevumos. Tehnika ir iedvesmota no ansambļa mācīšanās, jo katra iterācija ar atšķirīgu neironu apakšgrupu var tikt uzskatīta par atsevišķa, plāna tīkla treniņiem. Testēšanas laikā tiek izmantots pilnais tīkls, bet svari tiek mērogoti, lai ņemtu vērā apmācības laikā izdzēsto vienību, efektīvi vidējo plānoto prognožu rezultātu.

Kopš tā laika noma ir kļuvusi par pamatregulācijas metodi dziļajā mācīšanā, ietekmējot saistīto tehnoloģiju, piemēram, DropConnect un variacionālo nomu, attīstību. Tās vienkāršība, efektivitāte un viegla īstenošana ir padarījusi to par standarta sastāvdaļu dziļo neironu tīklu treniņos, īpaši datorredzes un dabīgās valodas apstrādes lietojumos (Deep Learning Book by MIT Press).

Kā darbojas nomaiņa: mehānismi un matemātiskās pamats

Noma ir stohastiska regulācijas tehnika, kuras mērķis ir novērst pārprodukciju dziļajos neironu tīklos, nejauši deaktivējot neironu apakšgrupu katras apmācības iterācijas laikā. Mehāniski, katras uz priekšu pogstā, atsevišķas vienības (kopā ar to savienojumiem) tiek īslaicīgi “izdzēsts” no tīkla ar iepriekš definētu varbūtību, kas parasti tiek apzīmēta ar p. Tas nozīmē, ka katram apmācības piemēram tīkls paraugi atšķirīgu arhitektūru, praktiski apmācot ansambli subnetu, kas dalās ar svariem. Testēšanas laikā visi neironi ir aktīvi, bet to iznākumi tiek mērogoti pēc nomaiņas varbūtības, lai ņemtu vērā samazināto spēju apmācības laikā.

Matemātiski, pieņemsim, ka h ir dotā slāņa aktivācijas vektors. Apmācības laikā tiek izvilkta binārā maska r no Bernoulli sadalījuma ar parametru p katram neironam: r_i ~ Bernoulli(p). Slāņa iznākums kļūst par h’ = r h, kur apzīmē elementu gudrināšanu. Šis process ievieš troksni tīklā, piespiežot to mācīties lieku pārstāvniecību un atturēt to no paļaušanās uz konkrētiem neironiem, kas uzlabo ģenerāciju.

Nomaiņas teorētiskā pamats var tikt interpretēts kā efektīva aproximācija apmācīšanai un vidēšanai daudzu atšķirīgu neironu tīklu arhitektūru. Šis ansambļa līdzīgs efekts ir sasniegts bez izmaksām, kas saistītas ar vairāku modeļu tiešu apmācību. Empīriskās un teorētiskās analīzes ir parādījušas, ka noma samazina sarežģītas neironu līdzadaptācijas, uzlabojot izturību un ģenerāciju sniegumu dziļās mācīšanas modeļos (Žurnāls par mašīnmācīšanos).

Nomaiņas ieguvumi: izturība, ģenerālizācija un vēl vairāk

Nomaiņas regulācija piedāvā vairākus galvenos ieguvumus, kas padarījuši to par standarta tehniku dziļajā mācīšanā. Viens no tās galvenajiem ieguvumiem ir uzlabota izturība. Nejauši deaktivējot neironu apakšnozaru katrā apmācības iterācijā, noma novērš tīklu no pārāk lielas atkarības no konkrētām funkcijām vai ceļiem. Šī stohastika piespiež modeli mācīties lieku pārstāvniecību, padarot to mazāk jutīgu pret troksni vai traucējumiem ieejas datos un izturīgāku pret pārprodukciju (Žurnāls par mašīnmācīšanos).

Vēl viens nozīmīgs ieguvums ir uzlabota ģenerācija. Noma darbojas kā ansambļa mācīšanās forma, kurā daudzas subneirons ir netieši apmācītas un vidētas lēmuma pieņemšanas laikā. Šis ansambļa efekts samazina riska modeli iegaumēt apmācības datus un palīdz tam labāk ģenerēt neredzētas piemēras. Empīriskie pētījumi ir parādījuši, ka noma var novest pie būtiskiem uzlabojumiem testēšanas precizitātē dažādās arhitektūrās un datu kopās, it īpaši, apmācot dziļos neironu tīklus ar lielu parametru skaitu (Deep Learning Book).

Papildus izturībai un ģenerācijai, noma var arī veicināt kompaktāku un efektīvāku pārstāvniecību rašanos tīklā. Ierobežojot līdzadaptāciju starp neironiem, noma veicina iezīmju atklāšanu, kas ir noderīgas kopā ar daudzām atšķirīgām citu iezīmju grupām. Šī īpašība var novest pie interpretējamākiem modeļiem un, dažos gadījumos, uzlabotas pārnesamības uz saistītiem uzdevumiem (Daba). Kopumā noma paliek spēcīgs un daudzveidīgs rīks, lai uzlabotu sniegumu un uzticamību dziļās mācīšanas sistēmās.

Nomaiņas īstenošana: labākais prakses un izplatītie kritumi

Efektīva nomaiņas regulācijas īstenošana dziļās mācīšanas modeļos prasa rūpīgu vairāku labāko prakses apsvēršanu un apzināšanos par izplatītajiem kritumiem. Viens galvenais labākais prakses varians ir pielietot nomu tikai apmācības procesā, nevis lēmumu pieņemšanā. Lielākā daļa dziļo mācības ietvaru, piemēram, PyTorch un TensorFlow, to automātiski nodrošina, bet rokasgrāmatu īstenošanai jāpārliecinās, ka noma ir atspējota novērtēšanā, lai izvairītos no modeļa snieguma pasliktināšanās.

Atbilstoša nomas likmes izvēle ir izšķiroša. Tipiskās vērtības svārstās no 0.2 līdz 0.5 slēgtajam slānim, taču pārmērīgi augstas likmes var novest pie zemūdens, bet ļoti zemas likmes var nesniegt pietiekamu regulāciju. Parasti ieteicams noregulēt nomas likmi kā hipu parametrus, ņemot vērā modeļa arhitektūru un datu kopas lielumu. Piemēram, konvolūcijas slāņiem bieži nepieciešami zemāki nomas likmes nekā pilnīgi savienotajiem slāņiem, pateicoties tiem mazākajiem parametriem un telpiska korelācijām (arXiv.org).

Izplatīts kritums ir nomas piemērošana ievades slāņos vai atkārtotu savienojumu RNN, neveicot izmaiņas. Attiecībā uz ievades slāņiem augstas nomas likmes var iznīcināt būtiskus datus, kamēr naiva noma RNN var izjaukt laika atkarības. Šajās situācijās ieteicamas specializētas varianti, piemēram, atkārtota noma. Turklāt kombinējot nomu ar citām regulācijām, piemēram, partijas normalizāciju, nepieciešama rūpīga secība; parasti noma tiek piemērota pēc partijas normalizācijas, lai izvairītos no iejaukšanās ar normalizācijas statistiku (arXiv.org).

Nobeigumā, efektīvas nomas īstenošanas atkarība no konteksta apzinātas parametru regulēšanas, pareizas novietojuma tīklā un sapratnes par mijiedarbību ar citiem slāņiem un regulācijas metodēm.

Nomaiņas varianti un nesenie jauninājumi

Kopš tā ieviešanas, noma ir iedvesmojusi virkni variantu un inovatīvu paplašinājumu, kas mērķēti uz uzlabotām regulācijas spējām un pielāgojot to dažādām dziļās mācīšanas arhitektūrām. Viens ievērojams variants ir Telpiskā Noma, kas ir īpaši efektīva konvolūcijas neironu tīklos (CNNs). Tā vietā, lai izdzēstu atsevišķas aktivācijas, Telpiskā Noma noņem veselas iezīmju kartes, tādējādi saglabājot telpisko saskaņu un samazinot pārprodukciju attēlu uzdevumos (Keras dokumentācija).

Vēl viena nozīmīga inovācija ir DropBlock, kas paplašina nomas ideju, nejauši maskējot blakus esošas iezīmju kartes reģionus, nevis izolētas vienības. Šī pieeja ir pierādījusi, ka tā ir īpaši izdevīga dziļajos CNNs, jo tā mudina tīklu attīstīt izturīgākas un izkliedētas pārstāvniecības (arXiv).

Variacionālā Noma ievieš Beijē žurnāla perspektīvu, mācoties nomas likmes kā parametrus apmācību laikā. Šī metode pielāgo regulēšanas stiprumu katram neironam, radot uzlabotu nenoteiktību novērtēšanu un modeļa retināšanu (NeurIPS Proceedings).

Citas nesenās inovācijas ietver Betona Noma, kas izmanto nepārtrauktu nomas maskas atslābināšanu, lai ļautu apmācību no punkta līdz punktam uz nomas varbūtībām (NeurIPS Proceedings), un Monte Carlo Noma, kurā tiek izmantota noma lēmumu pieņemšanas laikā, lai tuvinātu Beijē modeļa nenoteiktību (Kembridžas universitāte).

Šie varianti un inovācijas ir paplašinājuši nomas pielietojamību, ļaujot efektīvāk regulēties plašā dziļās mācīšanas uzdevumu un arhitektūru spektrā.

Gadījumu pētījumi: Nomaiņas darbība reālas pasaules lietojumos

Nomaiņas regulācija ir plaši pieņemta dažādās reālas pasaules dziļās mācīšanas lietojumos, demonstrējot tās efektivitāti pārprodukcijas mazināšanā un modeļa ģenerācijas uzlabošanā. Piemēram, datorredzēšanā, ImageNet Lielās Mēroga Vizualizācijas Atpazīšanas Izaicinājums piedzīvoja ievērojamus veiktspējas uzlabojumus konvolūcijas neironu tīklos (CNN), kad noma tika integrēta pilnīgi savienotajos slāņos, par ko liecina tādu modeļu kā AlexNet panākumi. Līdzīgi, dabīgās valodas apstrādē Stenfordas emocionālā analizatoru koka projekts izmantoja nomu atkārtotajos neironu tīklos (RNN) un ilgtermiņa īslaicīgās atmiņas (LSTM) arhitektūrās, lai novērstu funkciju detektoru līdzadaptāciju, radot izturīgākus emocionālās analīzes modeļus.

Veselības aprūpes jomā noma ir bijusi būtiska uzticamu diagnostikas rīku izstrādē. Piemēram, Moorfields Eye Hospital NHS Foundation Trust sadarbojās ar DeepMind, lai izveidotu dziļās mācīšanas modeļus acu slimību atklāšanai, kur noma veicināja uzlabotu precizitāti un samazinātu pārprodukciju ierobežotās medicīniskās attēlu datu kopās. Runas atpazīšanā Google Brain komanda ziņoja, ka, integrējot nomu dziļajos neironu tīklos akustiskās modelēšanas procesā, tika panākta zemāka vārdu kļūdu likme lielu runas-uz-tekstu sistēmās.

Šie gadījumu pētījumi uzsver nomas daudzveidību un ietekmi dažādās jomās, sākot no attēlu un teksta analīzes līdz veselības aprūpei un runas apstrādei. Tās konsekventā spēja uzlabot ģenerāciju un modeļa izturību ir padarījusi nomu par standarta sastāvdaļu dziļo mācību praktiku rīku komplektā.

Salīdzinot nomaiņu ar citām regulācijas tehnikām

Noma ir plaši izmantota regulācijas tehnika dziļajā mācīšanā, bet tā nav vienīgā metode, kas pieejama, lai cīnītos pret pārprodukciju. Salīdzinot nomu ar citām regulācijas stratēģijām – piemēram, L1/L2 svara regulāciju, datu palielināšanu un partijas normalizāciju – tiek izceltas tās unikālās stiprās un vājās puses.

L1 un L2 regulācija, pazīstama arī kā svaru samazinājums, sodu par lieliem svariem, pievienojot regulācijas termiņu zaudējumu funkcijai. L1 veicina retumu, virzot dažus svarus uz nulli, bet L2 attur no lieliem svariem, nepiespiežot retumu. Savukārt noma darbojas, nejauši deaktivējot neironu apakšgrupu katrā apmācības iterācijā, kas novērš funkciju līdzadaptāciju un mudina tīklu mācīties izturīgākas pārstāvējumus. Kamēr L1/L2 regulācija tieši ierobežo modeļa parametrus, noma ievieš stohastiku aktivācijas līmenī, bieži radot labāku ģenerāciju lielos, dziļos tīklos (Žurnāls par mašīnmācīšanos).

Datu palielināšana, cita populāra tehnika, mākslīgi palielina apmācības kopas lielumu un daudzveidību, piemērojot tādas pārveidojumus kā rotācija, mērogošana vai apgriešana ieejas datos. Atšķirībā no nomas, kas darbojas modelēšanas arhitektūrā, datu palielināšana attiecina ieejas telpu, padarot modeli mazāk atkarīgu no noteiktiem transformācijām (TensorFlow).

Partiju normalizācija, savukārt, normalizē katra slāņa aktivācijas, stabilizējot un paātrinot mācīšanos. Lai gan tai var būt regulējošs efekts, to bieži izmanto kopā ar nomu, lai uzlabotu sniegumu (arXiv).

Nobeigumā, noma ir īpaši efektīva dziļajās arhitektūrās un bieži tiek kombinēta ar citām regulācijas metodēm, lai sasniegtu optimālu ģenerāciju un izturību.

Ierobežojumi un kad neizmantot nomaiņu

Lai gan noma ir plaši pieņemta regulācijas tehnika dziļajā mācīšanā, tā nav universāli izdevīga un prezentē vairākus ierobežojumus. Viens būtisks trūkums ir tās nesaderība ar dažām tīklu arhitektūrām. Piemēram, noma parasti ir mazāk efektīva konvolūcijas neironu tīklos (CNN), īpaši konvolūcijas slāņos, jo telpiski korelētas funkcijas var tikt izjauktas, radot suboptimālu mācīšanos. Šajās situācijās ir biežāk ieteicama alternatīva, piemēram, telpiskā noma vai partiju normalizācija (arXiv).

Noma var arī palēnināt apmācības konverģenci, jo nejauša vienību deaktivēšana ievieš troksni mācīšanās procesā. Tas var pieprasīt ilgākus apmācības laikus vai uzmanīgāku mācīšanās ātruma un citu hipu parametru regulēšanu. Turklāt ļoti dziļos tīklos pārmērīga noma var novest pie zemūdens, kad modelis nespēj noķert pamatparaugus datos pārmērīgas regulācijas dēļ (Deep Learning Book).

Vēl viens ierobežojums rodas atkārtotajos neironu tīklos (RNN), kur bez izmaiņām izdarīta nomas pielietošana var izjaukt laika atkarības. Šiem modeļiem ir nepieciešamas specializētas varianti, piemēram, variacionāla noma, lai efektīvi regulētu šajos modeļos (NeurIPS).

Visbeidzot, noma ir mazāk noderīga, ja datu kopa ir maza vai modelis jau ir vienkāršs, jo pārprodukcijas risks ir zemāks un regulācijas efekts var būt nevajadzīgs vai pat kaitīgs. Šādās situācijās citas regulācijas metodes vai rūpīga modeļa atlase var nodrošināt labākus rezultātus.

Nākotnes virzieni: regulācijas stratēģiju attīstība dziļajā mācīšanā

Tā kā dziļās mācīšanas arhitektūras kļūst arvien sarežģītākas un kvalitatīvākas, tradicionālo nomas regulācijas ierobežojumi kļūst arvien acīmredzamāki, mudinot izpētīt efektīvākas un komplicētākas stratēģijas. Viens jaunpienācējs ir strukturēta noma tehnikas izstrāde, piemēram, DropBlock un Telpiskā Noma, kas mērķē uz blakus esošām jomām vai veseliem iezīmju kartēm, nevis atsevišķiem neironiem. Šīs metodes ir pierādījušas labus rezultātus konvolūcijas neironu tīklos, labāk saglabājot telpisko saskaņu un uzlabojot ģenerāciju, īpaši datorredzes uzdevumos (NeurIPS).

Vēl viens solīgs ceļš ir nomas integrācija ar citām regulācijas paradigām, piemēram, partijas normalizāciju un datu palielināšanu. Jauni pētījumi liecina, ka šo tehnoloģiju kombinēšana var radīt sinerģiskas efektus, kas ved pie izturīgākiem modeļiem (Dabas pētījumi). Turklāt tiek izmeklēti adaptīvās nomas varianti, kad nomas ātrums tiek dinamiski pielāgots apmācības laikā, pamatojoties uz slāņa nozīmīgumu vai apmācības progresu, lai attiektu uz tradicionālās nomas statisko raksturu (Mašīnmācību pētījumu konference).

Skatoties uz priekšu, pašpārbaudīto un neuzraudzīto mācīšanu ietvara pieaugums norāda jaunas izaicinājumus un iespējas regulācijai. Nomai iedvesmotas mehānismi tiek pielāgoti transformatoru arhitektūrām un grafu neironu tīkliem, kurā “izdzēšanas” jēdziens var tikt paplašināts, lai attiecīgi attiecinātu uz uzmanības galviņām vai grafu malām (OpenReview). Tā kā dziļā mācīšana turpina attīstīties, nomas regulācijas nākotne visticamāk ietvers vairāk konteksta apzināšanos, arhitektūras specifisku un datu vadītu pieeju, nodrošinot tās būtību nākamās paaudzes mākslīgās inteliģences sistēmās.

Avoti un atsauces

Dropout Regularization | Deep Learning Tutorial 20 (Tensorflow2.0, Keras & Python)

Watch this video on YouTube.

Izslēgšanas regulācija atklāta: noslēpumainais ieročs dziļās mācīšanās sasniegumos

ByQuinn Parker