為特定任務尋找最合適的優(yōu)化機器學習算法是一件耗時費力的工作，因為沒有一種算法能適用于所有任務。IBM的研究人員提出“神經(jīng)突變”進化算法，可以為機器學習任務自動選擇最合適的算法，選擇速度提升了50000倍，錯誤率僅上升0.6%.

機器學習系統(tǒng)并非是“生而平等”的。沒有一種算法能應對所有的機器學習任務，這就讓尋找最優(yōu)的機器學習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器學習架構的時間縮減至幾個小時，讓每個人都能有條件對深度學習網(wǎng)絡架構進行優(yōu)化。

面向機器學習的神經(jīng)網(wǎng)絡突變算法

該方法將卷積神經(jīng)網(wǎng)絡架構視為神經(jīng)細胞序列，然后應用一系列突變，以找到一種結構，可以提升給定數(shù)據(jù)集和機器學習任務的神經(jīng)網(wǎng)絡的性能。

這種方法大大縮短了網(wǎng)絡訓練時間。這些突變會改變網(wǎng)絡結構，但不會改變網(wǎng)絡的預測，網(wǎng)絡的結構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)絡突變示例。右側的體系結構是突變后的網(wǎng)絡，但與左側的體系結構具有相同的預測結果（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的其他幾種方法進行了比較。這些數(shù)據(jù)集通常用于訓練機器學習和計算機視覺算法的圖像集。

與最先進的人工設計架構、基于強化學習的架構搜索方法、以及基于進化算法的其他自動化方法的結果相比，結構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構，連接線代表突變。不同顏色所示為每個結構的精度，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。

深度學習網(wǎng)絡設計的進化算法優(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，深度學習網(wǎng)絡結構的演變情況。

網(wǎng)絡結構隨時間的演變，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、自然語言處理任務等。

Wistuba將于9月在愛爾蘭都柏林舉行的歐洲機器學習和數(shù)據(jù)庫知識發(fā)現(xiàn)會議（ECML-PKDD）會議上介紹這種方法。