論文の概要: New Horizons in Parameter Regularization: A Constraint Approach
- arxiv url: http://arxiv.org/abs/2311.09058v1
- Date: Wed, 15 Nov 2023 15:50:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 15:16:50.381169
- Title: New Horizons in Parameter Regularization: A Constraint Approach
- Title(参考訳): パラメータ正規化の新しいホライズン:制約的アプローチ
- Authors: J\"org K.H. Franke, Michael Hefenbrock, Gregor Koehler, Frank Hutter
- Abstract要約: 制約パラメータ正規化(CPR)
CPRは伝統的な重量減少の代替である。
我々は,CPRの有効性を示す実証的な証拠を,"グロキング"現象の実験を通じて提示する。
- 参考スコア(独自算出の注目度): 41.055148686036176
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work presents constrained parameter regularization (CPR), an alternative
to traditional weight decay. Instead of applying a constant penalty uniformly
to all parameters, we enforce an upper bound on a statistical measure (e.g.,
the L$_2$-norm) of individual parameter groups. This reformulates learning as a
constrained optimization problem. To solve this, we utilize an adaptation of
the augmented Lagrangian method. Our approach allows for varying regularization
strengths across different parameter groups, removing the need for explicit
penalty coefficients in the regularization terms. CPR only requires two
hyperparameters and introduces no measurable runtime overhead. We offer
empirical evidence of CPR's effectiveness through experiments in the "grokking"
phenomenon, image classification, and language modeling. Our findings show that
CPR can counteract the effects of grokking, and it consistently matches or
surpasses the performance of traditional weight decay.
- Abstract(参考訳): この研究は、伝統的な重み減衰に代わる制約パラメータ正規化(CPR)を示す。
すべてのパラメータに一定のペナルティを適用する代わりに、個々のパラメータ群の統計的測度(例えば、l$_2$-norm)の上界を強制する。
これは制約付き最適化問題として学習を再構成する。
これを解決するために、拡張ラグランジアン法の適応を利用する。
提案手法は, パラメータ群毎に異なる正規化強度を付与し, 正規化項の明示的なペナルティ係数を除去する。
CPRは2つのハイパーパラメータしか必要とせず、測定可能なランタイムオーバーヘッドを導入しない。
我々は,「グローキング」現象,画像分類,言語モデリングの実験を通して,cprの有効性を実証的に証明する。
以上の結果から,CPRはグルーキングの効果を抑えることができ,従来の重量減少性能と一貫して一致または上回っていることが明らかとなった。
関連論文リスト
- Towards Accurate Post-training Quantization for Reparameterized Models [6.158896686945439]
現在のポストトレーニング量子化法(PTQ)は、しばしばかなりの精度の劣化を引き起こす。
これは主にチャネル特異的およびサンプル特異的な外れ値によって引き起こされる。
本稿では、量子化された再パラメータ化モデルの精度を維持する新しいフレームワークであるRepAPQを提案する。
論文 参考訳(メタデータ) (2024-02-25T15:42:12Z) - Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。
GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
論文 参考訳(メタデータ) (2023-12-19T06:06:30Z) - IncreLoRA: Incremental Parameter Allocation Method for
Parameter-Efficient Fine-tuning [15.964205804768163]
IncreLoRAは、トレーニング中にトレーニング可能なパラメータを適応的に追加するインクリメンタルパラメータ割り当て手法である。
我々は,IncreLoRAの有効性を示すため,GLUEの広範な実験を行った。
論文 参考訳(メタデータ) (2023-08-23T10:08:10Z) - AdaLoRA: Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning [143.23123791557245]
下流タスクで訓練済みの大規模言語モデルを微調整することは、NLPにおいて重要なパラダイムとなっている。
重み行列のパラメータ予算をその重要度に応じて適応的に割り当てるAdaLoRAを提案する。
我々は,AdaLoRAの有効性を検証するために,自然言語処理,質問応答,自然言語生成に関する事前学習モデルを用いた広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-03-18T22:36:25Z) - Post-Episodic Reinforcement Learning Inference [24.290665221707652]
エピソード強化学習(RL)アルゴリズムから収集したデータによる推定と推定について検討する。
本稿では,適応重み付き再重み付き$Z$推定手法を提案する。
主な応用は、動的処理効果推定と動的オフポリシー評価である。
論文 参考訳(メタデータ) (2023-02-17T12:53:15Z) - META-STORM: Generalized Fully-Adaptive Variance Reduced SGD for
Unbounded Functions [23.746620619512573]
最近の研究は「メガバッチ」の勾配を計算する効果を克服している
作業は、競争力のあるディープラーニングタスクで更新された後に広く使用される。
論文 参考訳(メタデータ) (2022-09-29T15:12:54Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Adaptively Calibrated Critic Estimates for Deep Reinforcement Learning [36.643572071860554]
適応校正批判(ACC)と呼ばれる一般的な手法を提案する。
ACCは、最も最近の高分散であるが、政治的に偏りのないロールアウトを使用して、低分散時間差ターゲットのバイアスを軽減する。
ACC は TD3 にさらに適用することで非常に汎用的であり、この設定でも性能が向上していることを示す。
論文 参考訳(メタデータ) (2021-11-24T18:07:33Z) - Reducing the Variance of Gaussian Process Hyperparameter Optimization
with Preconditioning [54.01682318834995]
プレコンディショニングは、行列ベクトル乗算を含む反復的な方法にとって非常に効果的なステップである。
プレコンディショニングには、これまで検討されていなかった付加的なメリットがあることを実証する。
基本的に無視可能なコストで、同時に分散を低減することができる。
論文 参考訳(メタデータ) (2021-07-01T06:43:11Z) - Rethinking the Hyperparameters for Fine-tuning [78.15505286781293]
事前訓練されたImageNetモデルからの微調整は、様々なコンピュータビジョンタスクのデファクトスタンダードとなっている。
ファインチューニングの現在のプラクティスは、通常、ハイパーパラメータのアドホックな選択を選択することである。
本稿では、微調整のためのハイパーパラメータの設定に関するいくつかの一般的なプラクティスを再検討する。
論文 参考訳(メタデータ) (2020-02-19T18:59:52Z)
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。