谷歌研究院最新发现：训练结果不准确，超大数据规模要背锅！

Posted 2021-10-30 程序员的店小二

【导读】目前AI领域 的一大趋势是什么？没错，就是扩大数据集规模。然而最近Geogle reserach 的一篇论文，却认为对超大规模数据集进行整理的趋势，反而会阻碍有效开发人工智能系统。

数据规模真的越大越好？

算力和数据是人工智能两大主要驱动力。无论是计算机视觉，还是自然语言处理等AI系统似乎都离不开数据集。

在超大规模数据时代，数据和学习结果是这样的关系：

数据规模越大，AI模型越精准、高效。在大部分人眼里，这似乎是个不争的事实。

数据规模和模型精确度难道真的是呈现正相关关系吗？

最近，Geogle Research 上发布的一篇论文，对这一普遍持有的观点，提出了质疑的呼声。

规模一大， “饱和”就无处不在！

这篇名为Expolring the limits of pre-training model 挑战了机器学习效果和数据关系的既有假设。经过试验得出的结论是：无论是通过扩大数据规模还是超参数来改进上游性能，下游可能会出现“饱和”现象。

所谓饱和就是.....你懂的哈，就是没有梯度信号传入神经元，也无法到权重和数据，这样网络就很难以进行学习了。

为了证明饱和效应的观点，作者对视觉变形器、ResNets和MLP-混合器进行了4800次实验，每个实验都有不同数量的参数，从1000万到100亿，都在各自领域现有的最高容量数据集进行训练，包括ImageNet21K和谷歌自己的JFT-300M。

文中还提到了一种极端的情况，上游和下游的性能是互相矛盾的 ，也就是说：要想获得更好的下游性能，可能得牺牲掉上游任务的精确度。

这一假设一旦得到验证，就意味着 "超大规模 "数据集，如最近发布的LAION-400M（包含4亿个文本/图像对），以及GPT-3神经语言引擎背后的数据（包含1750亿个参数），有可能受限于传统机器学习的架构和方法。庞大的数据量可能会使得下游任务饱和，降低了其泛化的能力。

其实呢，之前的假设也不是完全在“胡言乱语”，只是要加上一个条件即：既定数据规模的超参数要在一个较为简单的线性函数关系中 ， 且是一个固定的值。

考虑到有限的计算资源和经济成本等问题，先前的研究范围较小，让人们对数据集和有效AI系统间的关系产生了不全面的认知。原来以偏概全是通病！

事实上怎么可能有这么简单呢？

文章又反驳道“先前关于论证数据规模有效性的研究，仅是在有限的范围进行的。 因而不能妄下定论。“

唱反调也得有依据!文章为什么会得出这样的结论呢？原来真相就在眼前！

上下游的关系不简单！

先前的研究是在线性函数的假设基础上，呈现出了对数关系。

然而经过研究发现，情况是这样的

从图中可以发现，下游任务在某些点，会发生饱和。但这些“饱和点”并不固定。因而文章推论，上下游之间的关系是非线性的。

数据、模型规模的扩大，倒是能提高上游性能。但是由于这种非线性关系的存在，提高上游的准确度的同时，下游准确度就不能够保证了。

预训练模型不能让人们”一劳永逸“！

本文讨论了 "预训练 "的做法，这种措施旨在节省计算资源，减少从零开始训练大规模数据所需的时间。

预训练可以明显提高模型的鲁棒性和准确性。但新的论文表明，即使在相对较短的预训练模板中，但是考虑到特征的复杂性，预训练模型不适合于所有情况。如果研究人员继续依赖预训练模型，可能影响到最终结果的准确性。

论文最后提到，”我们不能期望找到适用于所有下游任务的预训练模型。"

规模有多大，就有多准确？

Geogle research 的研究结果对这一定论，勇敢说出了”不“，的确让人们眼前一亮！是否会对整个AI研究领域，带来突破性的进展呢？也许会由此带动更多的相关研究，会不知不觉掀起另一波”浪潮“？咱们走着瞧！

参考资料：

https://www.unite.ai/google-research-identifies-a-bottleneck-in-hyperscale-approaches-to-ai/

来源：新智元