|
2022 年 1 月，擴(kuò)散模型第一次吸引了我的眼球。當(dāng)時(shí)我判斷到將會有某些大事發(fā)生，然而卻未曾預(yù)料到幾個(gè)月后會出現(xiàn)什么：DALLE-2、Imagen、Stable Diffusion 以及其它許多模型。 對于大型語言模型來說，2022 也是非常重要的一年，最近面世的 ChatGPT 更是錦上添花，搶盡了風(fēng)頭。 在回顧今年發(fā)表的十篇值得關(guān)注的論文前，我們可以先看看 12 月的 AI 要聞以及麥肯錫的一份人工智能全景報(bào)告和行業(yè)調(diào)查綜述。 1 『昨天，今天，明天』 簡單來說，有兩篇論文引起了我的注意。 第一篇：視覺 Transformer（ViT）學(xué)習(xí)什么？
論文鏈接：https:///pdf/2212.06727.pdf 關(guān)于視覺的探索顯示，ViT 學(xué)習(xí)的歸納偏置或特征與卷積神經(jīng)網(wǎng)絡(luò)（CNN）學(xué)習(xí)的那些相似。例如，ViT 的 early layers 捕捉邊緣和紋理，而 later layers 學(xué)習(xí)更復(fù)雜的表征以捕捉更廣泛的概念。
視覺 Transformer 從 early layers（左）到 deeper layers（右）的可視化特征過程。 關(guān)于生成建模，ViT 傾向于生成比 CNN 更高質(zhì)量的背景，這就提出了 ViT 如何處理預(yù)測任務(wù)中的背景和前景的這一問題。當(dāng)背景被消除時(shí)，ViT 似乎比 CNN 更善于預(yù)測目標(biāo)類別，并且在前景被消除時(shí)它們也依然表現(xiàn)得更好。這表明，ViT 在依賴基于其存在的某些特征時(shí)可能更具選擇性，或者說，總體更為魯棒。 第二篇：一種生成蛋白質(zhì)的擴(kuò)散模型
論文鏈接：https://www./content/10.1101/2022.12.09.519842v1 在圖像生成領(lǐng)域，擴(kuò)散模型已經(jīng)帶來了突破性的性能，那么生成蛋白質(zhì)結(jié)構(gòu)呢？研究人員開發(fā)了一種新的蛋白質(zhì)合成擴(kuò)散模型，稱為 RoseTTAFold Diffusion（RFDiffusion），這種蛋白質(zhì)是從零開始創(chuàng)造的，而非來自于自然界中早已存在的蛋白質(zhì)。
區(qū)分 de novo 蛋白質(zhì)（在實(shí)驗(yàn)室中使用沒有進(jìn)化歷史的氨基酸序列合成）與諸如 AlphaFold、 AlphaFold2 等系統(tǒng)（使用現(xiàn)有氨基酸序列數(shù)據(jù)預(yù)測蛋白質(zhì) 3D 結(jié)構(gòu)）十分重要。但值得注意的是，AlphaFold2 曾被用于驗(yàn)證 RDiffusion 研究的結(jié)果。 然后再談?wù)勛罱男袠I(yè)趨勢。今天，在產(chǎn)業(yè)中實(shí)際使用的技術(shù)是什么？根據(jù)麥肯錫最近的 AI 全景報(bào)告 —— 并不是大型語言模型（Transformer）。特別說明，由于樣本規(guī)模和代表性的限制，該報(bào)告中的調(diào)查結(jié)果可能無法準(zhǔn)確反映所有公司的經(jīng)驗(yàn)。
圖源：麥肯錫 2022 年全景報(bào)告。 自然語言處理在行業(yè)內(nèi)一直受到追捧，但其受歡迎程度經(jīng)常被計(jì)算機(jī)視覺應(yīng)用超越。但現(xiàn)在，我們第一次看到計(jì)算機(jī)視覺和自然語言處理幾乎總是緊密聯(lián)系在一起。 與此同時(shí)，自然語言文本理解（可能指文本分類）的受歡迎程度幾乎是自然語言「生成」的兩倍。請注意，自然語言生成的新聞通常會占據(jù)熱點(diǎn)首頁：如 GPT-3、Galactica、ChatGPT 等。（文本理解可能包括摘要，摘要也是「生成」的，所以我假設(shè)它在這里主要指的是類似分類的任務(wù)。那么反過來說，類別（categories）也是可以重疊的。） 值得注意的是，Transformer 的排名墊底。 似乎許多公司尚未采用類似 BERT 的語言模型編碼器來進(jìn)行文本理解和分類。相反，他們可能仍在使用基于詞袋模型（ bag-of-word-based）的分類器或遞歸神經(jīng)網(wǎng)絡(luò)。同樣，類似 GPT 的模型解碼器似乎還沒有廣泛應(yīng)用于語言生成，因而文本生成可能仍嚴(yán)重依賴循環(huán)神經(jīng)網(wǎng)絡(luò)和其他傳統(tǒng)方法。 基于下圖，我發(fā)現(xiàn)了一些有趣的其他見解：
圖源：2022 年麥肯錫 AI 全景報(bào)告。
2 『十大年度論文』 以下將介紹我在 2022 年閱讀到的排名前三的論文。當(dāng)然，今年發(fā)表的論文中還有很多其他主題是更令人興奮、永恒且具有影響力的。 2022 年，保持前三名的成績顯然具有挑戰(zhàn)性，因而下面還附了一個(gè)擴(kuò)展列表，列出了我排名前十榜單中的其余七篇論文。 一、ConvNeXt
論文鏈接：https:///pdf/2201.03545.pdf 《A ConvNet for the 2020s》這篇論文我愿稱之為全年最佳，因?yàn)樽髡邆兡軌蛟O(shè)計(jì)出一種純卷積架構(gòu)，其性能優(yōu)于諸如 Swin Transformer 等流行的視覺 Transformer（當(dāng)然，也優(yōu)于在它之前出現(xiàn)的所有卷積神經(jīng)網(wǎng)絡(luò)）。
當(dāng)卷積神經(jīng)網(wǎng)絡(luò)不僅應(yīng)用于分類，還用于目標(biāo)檢測和實(shí)例分割時(shí)，這種所提到的 ConvNeXt 架構(gòu)很可能成為新的默認(rèn)架構(gòu) —— 例如，它可以用作 Mask R-CNN 的骨干網(wǎng)絡(luò)（backbone）。 正如作者們在論文中所述，他們受到了當(dāng)前視覺 Transformer 訓(xùn)練機(jī)制以及 Swin Transformer 混合架構(gòu)表明卷積層仍然相關(guān)的事實(shí)啟發(fā)。這均是因?yàn)榧円曈X Transformer 架構(gòu)缺乏有用的歸納偏置，例如平移同變性和參數(shù)共享（即卷積中的「滑動(dòng)窗口」）。 為了開發(fā) ConvNeXt，作者們從 ResNet-50 基礎(chǔ)架構(gòu)出發(fā)，并采用了從現(xiàn)代 ViT 訓(xùn)練機(jī)制中運(yùn)用的架構(gòu)修改和訓(xùn)練機(jī)制。即使是賦予在卷積神經(jīng)網(wǎng)絡(luò)的背景，這些本來也沒什么新奇。然而，新穎之處卻在于作者們有效地使用、分析和組合了這些技術(shù)。 他們采用了哪些技術(shù)？這可以列一個(gè)很長的清單，包括深度卷積、反向瓶頸層設(shè)計(jì)、AdamW、LayerNorm 技術(shù)等等，具體的匯總你可以在下圖中找到。此外，作者還使用了數(shù)據(jù)增強(qiáng)技術(shù)，如 Mixup、Cutmix 等。
二、MaxViT 盡管隨著上述的 ConvNext 出世，卷積神經(jīng)網(wǎng)絡(luò)再度受到歡迎，但目前來說 ViT 仍然搶盡風(fēng)頭（并非刻意雙關(guān)）。 MaxViT：多軸視覺 Transformer 突出顯示了近年來視覺 Transformer 的發(fā)展。雖然早期的視覺 Transformer 具有二次復(fù)雜度，但已經(jīng)可以通過許多手段來將視覺 Transformer 應(yīng)用于具有線性縮放復(fù)雜度的更大圖像中。
2022 年 9 月發(fā)布的 MaxViT，目前是 ImageNet 基準(zhǔn)測試中的 SOTA 模型。 在 MaxViT 中，這是通過將注意力塊（attention block）分解為具有局部 - 全局交互的兩個(gè)部分來實(shí)現(xiàn)的：
值得一提的是，MaxViT 是一種也具備卷積層特征的卷積 Transformer 混合模型。它可以用于預(yù)測建模（包括分類、目標(biāo)檢測和實(shí)例分割）以及生成建模。
順便提一句，在谷歌學(xué)術(shù)上搜索「視覺 Transformer」，僅 2022 年就產(chǎn)出了 5000 多個(gè)結(jié)果。這個(gè)結(jié)果雖然可能包括誤報(bào)，但仍可表明人們對于視覺 Transformer 的廣泛歡迎程度和感興趣程度。
不過不用擔(dān)心，視覺 Transformer 不會完全取代我們喜愛的卷積神經(jīng)網(wǎng)絡(luò)。相反，正如 MaxViT 所強(qiáng)調(diào)的，當(dāng)前的趨勢是將視覺 Transformer 和卷積網(wǎng)絡(luò)一起整合到混合架構(gòu)中。 三、Stable Diffusion 在 ChatGPT 成為最先進(jìn)的模型之前，Stable Diffusion 早已在互聯(lián)網(wǎng)和社交媒體上普及。這個(gè)概念其實(shí)最早來源于 2021 年 12 月上傳的論文《High-Resolution Image Synthesis with Latent Diffusion Models》。 由于這篇論文在 2022 年 CVPR 會議上發(fā)表，并在 2022 年 8 月憑借 Stable Diffusion 受到高度關(guān)注，我認(rèn)為將其列入 2022 年的 TOP3 論文名單是公平合理的。 擴(kuò)散模型是一種概率模型，被設(shè)計(jì)用于通過逐漸對正態(tài)分布變量進(jìn)行去噪來學(xué)習(xí)數(shù)據(jù)集分布。這個(gè)過程對應(yīng)于學(xué)習(xí)長度為 T 的固定的馬爾可夫鏈（Markov Chain）的逆過程。
擴(kuò)散模型的圖示。 與使用生成器 (Generator) 和鑒別器 (Discriminator) 之間的極大極小博弈（minimax game）訓(xùn)練的 GAN 不同，擴(kuò)散模型是使用最大似然估計(jì)（MLE）訓(xùn)練的基于似然的模型。這有助于避免模式坍塌和其他訓(xùn)練不穩(wěn)定性。 擴(kuò)散模型已經(jīng)存在了一段時(shí)間，但眾所周知，在訓(xùn)練和推理過程中，從中取樣仍非常昂貴。上述 2022 年論文的作者提到過，5 天的運(yùn)行時(shí)間僅能采樣 50k 張圖像。 《High-Resolution Image Synthesis with Latent Diffusion Models》一文的新穎之處在于人們可以使用預(yù)訓(xùn)練的自編碼器在潛在空間中應(yīng)用擴(kuò)散，而非直接使用原始圖像的全分辨率原始像素輸入空間。
上文提到的訓(xùn)練過程可以分為兩個(gè)階段：首先，對自編碼器進(jìn)行預(yù)處理，將輸入圖像編碼到較低維度的潛在空間中，以降低復(fù)雜性。第二，在預(yù)訓(xùn)練的自動(dòng)編碼器隱層表征上訓(xùn)練擴(kuò)散模型。 在潛在空間中進(jìn)行運(yùn)算，降低了用于訓(xùn)練和推理的擴(kuò)散模型的計(jì)算成本和復(fù)雜性，并可以生成高質(zhì)量的結(jié)果。 本文的另一個(gè)貢獻(xiàn)是一般條件下的交叉注意力機(jī)制（ cross-attention mechanism）。因此，除了無條件圖像生成之外，所提出的潛在擴(kuò)散模型還能夠進(jìn)行圖像修復(fù)、類條件圖像合成、超分辨率圖像重建以及文本到圖像合成 —— 后者正是 DALLE-2 和 Stable Diffusion 聞名的原因。 接下來介紹我的排名榜前十論文中后七篇論文的概述： 四、《「通才」智能體》（A Generalist Agent）。 在本文中，研究人員介紹了 Gato，它能夠執(zhí)行從玩游戲到控制機(jī)器人等 600 多種不同任務(wù)。
論文鏈接：https:///abs/2205.06175 五、《訓(xùn)練最優(yōu)計(jì)算的大型語言模型》（Training Compute-Optimal Large Language Models）。為了在訓(xùn)練期間實(shí)現(xiàn)最優(yōu)計(jì)算，研究人員認(rèn)為通過相同的因子來縮放模型大小和訓(xùn)練 token 的數(shù)量都很有必要。他們創(chuàng)建了一個(gè)名為 Chinchilla 的模型，例如，該模型的性能優(yōu)于 Gopher，可以使用比 Gopher 四分之一的參數(shù)輸出四倍之多的數(shù)據(jù)。
論文鏈接：https:///abs/2203.15556 六、《PaLM：使用 Pathways 縮放語言模型》（PaLM: Scaling Language Modeling with Pathways）：文中提出的 PaLM 模型在各種 BIG-bench 任務(wù)上都展示了令人驚嘆的自然語言理解和生成能力。在某種程度上，它甚至能識別出因果關(guān)系。
論文鏈接：https:///abs/2204.02311 七、《基于大規(guī)模弱監(jiān)督方法的魯棒語音識別》（Robust Speech Recognition via Large-Scale Weak Supervision）。本文介紹了 Whisper 模型，該模型在多語言任務(wù)上接受了 68 萬小時(shí)的訓(xùn)練，并表現(xiàn)出了對各種基準(zhǔn)數(shù)據(jù)集（benchmarks）的魯棒泛化性。本文介紹的 Whisper 模型給我留下了深刻的印象。我用它來為我的兩門課程深度學(xué)習(xí)基礎(chǔ) —— 運(yùn)用現(xiàn)代開源棧學(xué)習(xí)深度學(xué)習(xí)以及深度學(xué)習(xí)引言（Deep Learning Fundamentals – Learning Deep Learning With a Modern Open Source Stack）生成字幕。
論文鏈接：https:///abs/2212.04356 八、《再論表格深度學(xué)習(xí)的預(yù)訓(xùn)練目標(biāo)》（Revisiting Pretraining Objectives for Tabular Deep Learning）。我喜歡閱讀大量有關(guān) Tabular 數(shù)據(jù)的深度學(xué)習(xí)論文。但我尤其鐘愛這篇論文，因?yàn)樗鼜?qiáng)調(diào)并提醒我們在附加（通常未標(biāo)記）數(shù)據(jù)上進(jìn)行模型預(yù)訓(xùn)練是多么重要。（使用如 XGBoost 等基于樹模型無法輕松做到這一點(diǎn)。）
論文鏈接：https:///abs/2207.03208 九、《為什么基于樹的模型在表格數(shù)據(jù)上的性能仍然優(yōu)于基于深度學(xué)習(xí)的模型？》 （Why do tree-based models still outperform deep learning on tabular data?）。該文的主要收獲是基于樹的模型（隨機(jī)森林和 XGBoost）的性能優(yōu)于在中型數(shù)據(jù)集（10k 訓(xùn)練示例）上應(yīng)用表格數(shù)據(jù)的深度學(xué)習(xí)方法。但是隨著數(shù)據(jù)集大小的增加（這里：10k → 50k），基于樹的模型和深度學(xué)習(xí)之間的差距變得越來越小。遺憾的是，這篇論文沒有包含特別多最先進(jìn)的深度表格網(wǎng)絡(luò)，不過它進(jìn)行了魯棒性分析和有趣的討論，絕對值得一讀。
論文鏈接：https:///abs/2207.08815 十、《用語言模型預(yù)測原子級蛋白質(zhì)結(jié)構(gòu)的進(jìn)化程度》（Evolutionary-scale prediction of atomic level protein structure with a language model）。該論文提出了迄今為止預(yù)測蛋白質(zhì)三維結(jié)構(gòu)的最大語言模型，它也比以前的方法運(yùn)算更快，同時(shí)還保持著同樣的準(zhǔn)確性。該模型創(chuàng)建了 ESM 宏基因組圖譜，是宏基因組蛋白質(zhì)的第一個(gè)大規(guī)模結(jié)構(gòu)表征，具有超過 6.17 億個(gè)蛋白質(zhì)結(jié)構(gòu)。
論文鏈接：https://www./content/10.1101/2022.07.20.500902v3 原文鏈接：https://magazine./p/ahead-of-ai-4-a-big-year-for-ai |
|
|
