論文の概要: An Adaptive Policy to Employ Sharpness-Aware Minimization
- arxiv url: http://arxiv.org/abs/2304.14647v1
- Date: Fri, 28 Apr 2023 06:23:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 15:05:49.456237
- Title: An Adaptive Policy to Employ Sharpness-Aware Minimization
- Title(参考訳): シャープネス・アウェア・ミニミゼーションを用いた適応ポリシー
- Authors: Weisen Jiang, Hansi Yang, Yu Zhang, James Kwok
- Abstract要約: シャープネス対応最小化 (SAM) は, min-max 最適化により平坦な最小値を求める。
最近の最先端技術はSAM更新の割合を減らしている。
AE-SAMとAE-LookSAMという2つの効率的なアルゴリズムが提案されている。
- 参考スコア(独自算出の注目度): 5.5347134457499845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sharpness-aware minimization (SAM), which searches for flat minima by min-max
optimization, has been shown to be useful in improving model generalization.
However, since each SAM update requires computing two gradients, its
computational cost and training time are both doubled compared to standard
empirical risk minimization (ERM). Recent state-of-the-arts reduce the fraction
of SAM updates and thus accelerate SAM by switching between SAM and ERM updates
randomly or periodically. In this paper, we design an adaptive policy to employ
SAM based on the loss landscape geometry. Two efficient algorithms, AE-SAM and
AE-LookSAM, are proposed. We theoretically show that AE-SAM has the same
convergence rate as SAM. Experimental results on various datasets and
architectures demonstrate the efficiency and effectiveness of the adaptive
policy.
- Abstract(参考訳): ミンマックス最適化により平坦な最小値を求めるシャープネス認識最小化(SAM)はモデル一般化の改善に有用であることが示されている。
しかし、SAMの更新には2つの勾配の計算が必要であるため、計算コストとトレーニング時間は、標準的な経験的リスク最小化(ERM)と比較して2倍になる。
最近の最先端技術はSAM更新の割合を減らし、SAMとERMの更新をランダムまたは周期的に切り替えることでSAMを加速する。
本稿では,ロスランドスケープの幾何学に基づくSAMを用いた適応ポリシーを設計する。
AE-SAMとAE-LookSAMの2つの効率的なアルゴリズムを提案する。
理論的には、AE-SAM はSAM と同じ収束速度を持つ。
各種データセットおよびアーキテクチャの実験結果から,適応ポリシーの有効性と有効性を示す。
関連論文リスト
- 0.1% Data Makes Segment Anything Slim [57.857534644932194]
SlimSAMは、非常に低いトレーニングコストで優れたパフォーマンスを実現する新しいSAM圧縮手法である。
我々は、圧縮プロセスをプログレッシブな手順に分割する革新的な代替スリム化戦略を採用している。
SlimSAMは、既存の方法の10倍以上のトレーニングコストを必要とする一方で、大幅なパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2023-12-08T12:48:53Z) - Systematic Investigation of Sparse Perturbed Sharpness-Aware
Minimization Optimizer [158.2634766682187]
ディープニューラルネットワークは、複雑で非構造的なロスランドスケープのため、しばしば一般化の貧弱さに悩まされる。
SharpnessAware Minimization (SAM) は、摂動を加える際の景観の変化を最小限に抑えることで損失を平滑化するポピュラーなソリューションである。
本稿では,二元マスクによる摂動を効果的かつ効果的に行う訓練手法であるスパースSAMを提案する。
論文 参考訳(メタデータ) (2023-06-30T09:33:41Z) - mSAM: Micro-Batch-Averaged Sharpness-Aware Minimization [20.560184120992094]
シャープネス・アウェアの最小化手法は、フラットな最小化に向けて勾配降下法を操る基本損失関数を変更する。
我々は最近開発されたフラットネス解析のためのよく研究された一般的なフレームワークを拡張し、SAMがSGDよりもフラットなミニマを達成し、mSAMがSAMよりもフラットなミニマを達成できることを理論的に示す。
論文 参考訳(メタデータ) (2023-02-19T23:27:12Z) - Improved Deep Neural Network Generalization Using m-Sharpness-Aware
Minimization [14.40189851070842]
シャープネス・アウェア最小化(SAM)は、基礎となる損失関数を修正し、フラットなミニマへ導出する方法を導出する。
近年の研究ではmSAMがSAMよりも精度が高いことが示唆されている。
本稿では,様々なタスクやデータセットにおけるmSAMの包括的評価について述べる。
論文 参考訳(メタデータ) (2022-12-07T00:37:55Z) - Improving Sharpness-Aware Minimization with Fisher Mask for Better
Generalization on Language Models [93.85178920914721]
限られた訓練コーパス上の微調整された大きな事前訓練された言語モデルは、通常、計算の貧弱さに悩まされる。
本稿では,新しい最適化手法であるFSAMを提案し,SAMの効率と性能を改善するためにフィッシャーマスクを導入した。
FSAMは4種類の事前訓練モデルにおいて,バニラSAMの平均スコア0.671.98を上回っていることを示す。
論文 参考訳(メタデータ) (2022-10-11T14:53:58Z) - Make Sharpness-Aware Minimization Stronger: A Sparsified Perturbation
Approach [132.37966970098645]
人気のソリューションの1つがSAM(Sharpness-Aware Minimization)であり、摂動を加える際の体重減少の変化を最小限に抑える。
本稿では,Sparse SAM (SSAM) とよばれる効率的な学習手法を提案する。
さらに、S が同じSAM、すなわち $O(log T/sqrtTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTT で収束できることを理論的に証明する。
論文 参考訳(メタデータ) (2022-10-11T06:30:10Z) - Towards Efficient and Scalable Sharpness-Aware Minimization [81.22779501753695]
内部勾配の上昇を周期的に計算する新しいアルゴリズム LookSAM を提案する。
LookSAMはSAMと同じような精度を実現し、非常に高速である。
Vision Transformer(ViTs)のトレーニングでバッチサイズのスケールアップに成功したのは,私たちが初めてです。
論文 参考訳(メタデータ) (2022-03-05T11:53:37Z) - Efficient Sharpness-aware Minimization for Improved Training of Neural
Networks [146.2011175973769]
本稿では,SAM s の効率を高コストで向上する高効率シャープネス認識最小化器 (M) を提案する。
Mには、Stochastic Weight PerturbationとSharpness-Sensitive Data Selectionという、2つの新しい効果的なトレーニング戦略が含まれている。
我々は、CIFARとImageNetデータセットの広範な実験を通して、ESAMはSAMよりも100%余分な計算を40%のvis-a-visベースに必要とせずに効率を向上させることを示した。
論文 参考訳(メタデータ) (2021-10-07T02:20:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。