論文の概要: GCSAM: Gradient Centralized Sharpness Aware Minimization

• arxiv url: http://arxiv.org/abs/2501.11584v1
• Date: Mon, 20 Jan 2025 16:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:21:26.874811
• Title: GCSAM: Gradient Centralized Sharpness Aware Minimization
• Title（参考訳）: GCSAM: グラディエントな集中型シャープネスを意識した最小化
• Authors: Mohamed Hassan, Aleksandar Vakanski, Boyu Zhang, Min Xian,
• Abstract要約: シャープネス認識最小化(SAM)は、ロスランドスケープのシャープネスを低減するための効果的な最適化手法として登場した。 本稿では、勾配集中化(GC)を組み込んで収束を安定化・加速するグラディエント・シャープネス・アウェア最小化(GCSAM)を提案する。 GCSAMは、一般化と計算効率の点でSAMとAdamを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 45.05109291721135
• License:
• Abstract: The generalization performance of deep neural networks (DNNs) is a critical factor in achieving robust model behavior on unseen data. Recent studies have highlighted the importance of sharpness-based measures in promoting generalization by encouraging convergence to flatter minima. Among these approaches, Sharpness-Aware Minimization (SAM) has emerged as an effective optimization technique for reducing the sharpness of the loss landscape, thereby improving generalization. However, SAM's computational overhead and sensitivity to noisy gradients limit its scalability and efficiency. To address these challenges, we propose Gradient-Centralized Sharpness-Aware Minimization (GCSAM), which incorporates Gradient Centralization (GC) to stabilize gradients and accelerate convergence. GCSAM normalizes gradients before the ascent step, reducing noise and variance, and improving stability during training. Our evaluations indicate that GCSAM consistently outperforms SAM and the Adam optimizer in terms of generalization and computational efficiency. These findings demonstrate GCSAM's effectiveness across diverse domains, including general and medical imaging tasks.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)の一般化性能は、目に見えないデータに対して堅牢なモデル動作を達成する上で重要な要素である。 近年の研究では、平らなミニマへの収束を促すことにより、一般化を促進するためのシャープネスに基づく尺度の重要性を強調している。 これらの手法のうち、シャープネス・アウェアの最小化(SAM)は、損失景観のシャープさを低減し、一般化を改善する効果的な最適化手法として登場した。 しかし、SAMの計算オーバーヘッドとノイズ勾配に対する感度は、そのスケーラビリティと効率を制限している。 これらの課題に対処するため,勾配の安定化と収束の促進を目的としたGCSAM(Gradient-Centralized Sharpness-Aware Minimization)を提案する。 GCSAMは上昇ステップの前に勾配を正規化し、ノイズと分散を低減し、トレーニング中の安定性を向上させる。 我々はGCSAMがSAMとAdamオプティマイザを一般化と計算効率で一貫して上回っていることを示す。 以上の結果から,一般領域や医用領域にまたがるGCSAMの有効性が示唆された。

関連論文リスト

• 1st-Order Magic: Analysis of Sharpness-Aware Minimization [0.0]
  SAM (Sharpness-Aware Minimization) は、平らな損失最小値を求めることで一般化を改善するために設計された最適化手法である。 提案したSAM目標値のより正確な近似は、一般化性能を劣化させる。 このことはSAMの有効性に対する我々の理解のギャップを浮き彫りにし、最適化における近似の役割についてさらなる調査を求める。
  論文  参考訳（メタデータ） (2024-11-03T23:50:34Z)
• Do Sharpness-based Optimizers Improve Generalization in Medical Image Analysis? [47.346907372319706]
  Sharpness-Aware Minimization (SAM)は、一般的なドメイン画像データセットの一般化性能を高める可能性を示している。 本研究は、深層学習ネットワークの一般化を改善するための、近年のシャープネスに基づく手法を提供し、医療用胸部超音波画像上での評価を行う。
  論文  参考訳（メタデータ） (2024-08-07T20:07:25Z)
• Friendly Sharpness-Aware Minimization [62.57515991835801]
  シャープネス・アウェアの最小化(SAM)は、トレーニング損失とロスシャープネスの両方を最小化することにより、ディープニューラルネットワークトレーニングの改善に役立っている。 対向性摂動におけるバッチ特異的勾配雑音の主な役割,すなわち現在のミニバッチ勾配について検討する。 逆勾配雑音成分を分解することにより、全勾配のみに依存すると一般化が低下し、除くと性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-19T01:39:33Z)
• Stabilizing Sharpness-aware Minimization Through A Simple Renormalization Strategy [12.050160495730381]
  SAM ( sharpness-aware generalization) は性能向上に驚くべき効果があることから注目されている。 本稿では, 安定SAM (SSAM) と呼ばれる単純な再正規化戦略を提案する。 我々の戦略は実装が容易で、SAMとその変種と統合するのに十分な柔軟性があり、ほとんど計算コストがかからない。
  論文  参考訳（メタデータ） (2024-01-14T10:53:36Z)
• Enhancing Sharpness-Aware Optimization Through Variance Suppression [48.908966673827734]
  この研究は損失関数の幾何学を取り入れ、そこでは「平坦なミニマ」の近傍が一般化能力を高める。 地区内の敵対的な摂動パラメータによる最大損失を最小化することで「平坦な谷」を求める。 損失関数のシャープさを考慮に入れることが重要であるが、そのような「過剰にフレンドリーな敵」は極端に一般化のレベルを縮めることができる。
  論文  参考訳（メタデータ） (2023-09-27T13:18:23Z)
• Normalization Layers Are All That Sharpness-Aware Minimization Needs [53.799769473526275]
  シャープネス認識最小化(SAM)は,ミニマのシャープネスを低減するために提案された。 SAMの逆数ステップにおけるアフィン正規化パラメータ(典型的には総パラメータの0.1%)のみの摂動は、全てのパラメータの摂動よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:05:46Z)
• Sharpness-Aware Training for Free [163.1248341911413]
  シャープネスを意識した最小化(SAM)は、損失ランドスケープの幾何学を反映したシャープネス尺度の最小化が一般化誤差を著しく減少させることを示した。 シャープネス・アウェア・トレーニング・フリー(SAF)は、シャープランドスケープをベース上でほぼゼロの計算コストで軽減する。 SAFは、改善された能力で最小限の平らな収束を保証する。
  論文  参考訳（メタデータ） (2022-05-27T16:32:43Z)
• 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。