機器學(xué)習(xí)系統(tǒng)并非是“生而平等”的。沒有一種算法能應(yīng)對所有的機器學(xué)習(xí)任務(wù)，這就讓尋找最優(yōu)的機器學(xué)習(xí)算法成為一項艱巨又耗時的工作。不過這個問題現(xiàn)在有希望解決了，最近IBM的研究人員開發(fā)了一套能夠自動選擇AI優(yōu)化算法的系統(tǒng)。
IBM愛爾蘭研究院的數(shù)據(jù)科學(xué)家Martin Wistuba,在其近日發(fā)表的博客文章中介紹了自己開發(fā)的這套系統(tǒng)。他聲稱，該系統(tǒng)將自動選擇優(yōu)化AI算法的速度提升了5萬倍，錯誤率僅上升了0.6%。
Wistuba表示，這套進化算法系統(tǒng)能將選擇適當?shù)臋C器學(xué)習(xí)架構(gòu)的時間縮減至幾個小時，讓每個人都能有條件對深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)進行優(yōu)化。
面向機器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)突變算法
該方法將卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)視為神經(jīng)細胞序列，然后應(yīng)用一系列突變，以找到一種結(jié)構(gòu)，可以提升給定數(shù)據(jù)集和機器學(xué)習(xí)任務(wù)的神經(jīng)網(wǎng)絡(luò)的性能。
這種方法大大縮短了網(wǎng)絡(luò)訓(xùn)練時間。這些突變會改變網(wǎng)絡(luò)結(jié)構(gòu)，但不會改變網(wǎng)絡(luò)的預(yù)測，網(wǎng)絡(luò)的結(jié)構(gòu)變化可能包括添加新的層、添加新連接或擴展內(nèi)核或現(xiàn)有層。
保留原函數(shù)的神經(jīng)網(wǎng)絡(luò)突變示例。右側(cè)的體系結(jié)構(gòu)是突變后的網(wǎng)絡(luò)，但與左側(cè)的體系結(jié)構(gòu)具有相同的預(yù)測結(jié)果（由相同顏色表示）
實驗評估：速度提升5萬倍，錯誤率僅上升0.6%
實驗中，研究人員將新神經(jīng)進化方法與CIFAR-10和CIFAR-100數(shù)據(jù)集上的圖像分類任務(wù)的其他幾種方法進行了比較。這些數(shù)據(jù)集通常用于訓(xùn)練機器學(xué)習(xí)和計算機視覺算法的圖像集。
與最先進的人工設(shè)計架構(gòu)、基于強化學(xué)習(xí)的架構(gòu)搜索方法、以及基于進化算法的其他自動化方法的結(jié)果相比，結(jié)構(gòu)突變算法在分類錯誤上稍高出前幾種方法，但耗時要少得多，比其他方法快了50000倍，錯誤率最多僅比基準數(shù)據(jù)集CIFAR-10上的最有力競爭對手高出0.6％。
下圖所示為算法的優(yōu)化過程。在圖2中，每個點代表不同的結(jié)構(gòu)，連接線代表突變。不同顏色所示為每個結(jié)構(gòu)的精度，x軸表示時間。可以看到，準確率在前10個小時內(nèi)迅速上升，之后緩慢上升、最后趨于穩(wěn)定。
深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計的進化算法優(yōu)化
圖示為隨時間推移，進化算法的優(yōu)化過程
下圖所示為隨著時間的推移，深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的演變情況。
網(wǎng)絡(luò)結(jié)構(gòu)隨時間的演變，圖中某些中間狀態(tài)未顯示
實際上，自動算法選擇并不新鮮。谷歌在智能手機面部識別和目標檢測上也在使用這類方法，如果IBM這一的系統(tǒng)性能確實如其所言，它可能代表著該領(lǐng)域內(nèi)的一次重大進步。
將來，研究人員希望將這種優(yōu)化集成到IBM的云服務(wù)中，并將其提供給客戶。此外還計劃將其擴展到更大的數(shù)據(jù)集上，如ImageNet和其他類型的數(shù)據(jù)，如時間序列和文本、自然語言處理任務(wù)等。
Wistuba將于9月在愛爾蘭都柏林舉行的歐洲機器學(xué)習(xí)和數(shù)據(jù)庫知識發(fā)現(xiàn)會議（ECML-PKDD）會議上介紹這種方法。
參考鏈接：
https:///2018/09/04/ibms-new-system-automatically-selects-the-optimal-ai-algorithm/
https://www.ibm.com/blogs/research/2018/09/ai-design-deep-learning/
來源：venturebeat、IBM 編輯：大明
