這兩天，推特上一個任務懸賞火得一塌糊涂。

一家AI公司提供25萬美金（折合人民幣約167萬元），懸賞什么任務能讓模型越大、性能反而越差。

評論區里已經討論得熱火朝天了。

不過這事兒倒也不是單純整活，而是為了進一步探索大模型。

畢竟，這兩年大家越發意識到，AI模型不能單純比“大”。

一方面，隨著模型的規模越來越大，訓練付出的成本開始呈現指數型增長；

另一方面，模型性能的提升也已經逐漸到達瓶頸期，哪怕想要讓誤差再下降1%，都需要更多的數據集增量和計算增量。

比如對于Transformer而言，交叉熵損失想要從3.4奈特降低到2.8奈特，就需要原本10倍量的訓練數據。

針對這些問題，AI學者們已經在從各種方向上找解決路子了。

Meta斯坦福的學者們，最近想到了從數據集上切入。

他們提出，對數據集進行知識蒸餾，使得數據集規模雖小，但還能保持模型性能不下降。

實驗驗證，在剪掉ImageNet 20%的數據量后，ResNets表現和使用原本數據時的正確率相差不大。

研究人員表示，這也為AGI實現找出了一條新路子。

超大數據集的效率并不高

本文提出的辦法，其實就是對原本的數據集進行優化精簡。

研究人員表示，過去許多方法都表明，許多訓練示例是高度冗余的，理論上可以把數據集“剪”得更小。

而且最近也有研究提出了一些指標，可以根據訓練示例的難度或重要性對它們進行排序，并通過保留其中一些難度高的示例，就能完成數據修剪。

基于前人的發現和研究，此次學者們進一步提出了一些可具體操作的方法。

首先，他們提出了一種數據分析方法，可以讓模型只學習部分數據，就能實現同等的性能。

通過數據分析，研究人員初步得出結論：

一個數據集怎樣修剪效果最好？這和它本身的規模有關。

初始數據量越多，越應該保留難度高的示例；

初始數據量越少，則應該保留難度低的示例。

而在保留困難示例進行數據修剪后，模型和數據規模的對應關系，可以打破冪律分布。

常被提起的二八定律就是基于冪律提出的。

即20%的數據會影響80%的結果。

同時在此情況下，還能找到一個處于帕累托最優的下的極值。

這里所說的帕累托最優是指資源分配的一種理想狀態。

它假設固定有一群人和可分配的資源，從一種分配狀態調整到另一種分配狀態，在沒有使任何一個人變差的前提下，至少使得一個人變得更好。

在本文中，調整分配狀態即可理解為，修剪多少比例的數據集。

然后，研究人員進行了實驗來驗證這一理論。

從實驗結果來看，當數據集越大，修剪后的效果就越明顯。

在SVHN、CIFAR-10、ImageNet幾個數據集上，ResNet的錯誤率總體和數據集修剪規模呈反比。

在ImageNet上可以看到，數據集規模保留80%的情況下，和原本數據集訓練下的錯誤率基本相同。

這一曲線也逼近了帕累托最優。

接下來，研究人員聚焦在ImageNet上，對10種不同情況進行了大規模基準測試。

結果表明，隨機修剪以及一些修剪指標，在ImageNet上的表現并不夠好。

所以更進一步，研究人員還提出了一種自監督方法來修剪數據。

也就是知識蒸餾（教師學生模型），這是模型壓縮的一種常見方法。

結果顯示，在自監督方法下，它在找數據集中簡單/困難示例上的表現都還不錯。

使用自監督方法修剪數據后，正確率明顯提高（圖C中淺藍色線）。

還存在一些問題

不過在論文中，研究人員也提到，雖然通過如上方法可以在不犧牲性能的情況下修剪數據集，但是有些問題仍舊值得關注。

比如數據集縮小后，想要訓練出同等性能的模型，需要的時間可能會更長。

因此，在進行數據集修剪時，應該平衡縮減規模和訓練增長時間兩方面因素。

與此同時，對數據集進行修剪，勢必會喪失一些群體的樣本，由此也可能造成模型在某一個方面出現弊端。

在這方面會容易引起道德倫理方面的問題。

研究團隊

本文作者之一Surya Ganguli，是量子神經網絡科學家。

論文地址： https://arxiv.org/abs/2206.14486