打入 AI 底层!NUS 尤洋团队用扩散模型构建神经网络参数,LeCun 点赞

扩散模型,迎来了一项重大新应用 —— 像 Sora 生成视频一样,给神经网络生成参数,直接打入了 AI 的底层!

这就是新加坡国立大学尤洋教授团队联合 UCB、Meta AI 实验室等机构最新开源的研究成果。

具体来说,研究团队提出了一种用于生成神经网络参数的扩散模型 p (arameter)-diff。用它来生成网络参数,速度比直接训练最多提高 44 倍,而且表现毫不逊色。

这一模型一经发布,就迅速在 AI 社区引发强烈讨论,圈内人士对此的惊叹,毫不亚于普通人看到 Sora 时的反应。

甚至有人直接惊呼,这基本上相当于 AI 在创造新的 AI 了。

就连 AI 巨头 LeCun 看了之后,也点赞了这一成果,表示这真的是个 cute idea。

而实质上,p-diff 也确实具有和 Sora 一样重大的意义,对此同实验室的 Fuzhao Xue(薛复昭)博士进行了详细解释:

Sora 生成高维数据,即视频,这使得 Sora 成为世界模拟器(从一个维度接近 AGI)。

而这项工作,神经网络扩散,可以生成模型中的参数,具有成为元世界级学习器 / 优化器的潜力,从另一个新的重要维度向 AGI 迈进。

言归正传,p-diff 到底是如何生成神经网络参数的呢?

将自编码器与扩散模型结合

要弄清这个问题,首先要了解一下扩散模型和神经网络各自的工作特点。

扩散生成过程,是从随机分布到高度特定分布的转变,通过复合噪声添加,将视觉信息降级为简单噪声分布。

而神经网络训练,同样遵循这样的转变过程,也同样可以通过添加噪声的方式来降级,研究人员正是在这一特点的启发之下提出 p-diff 方法的。

从结构上看,p-diff 是研究团队在标准潜扩散模型的基础之上,结合自编码器设计的。研究者首先从训练完成、表现较好的网络参数中选取一部分,并展开为一维向量形式。

然后用自编码器从一维向量中提取潜在表示,作为扩散模型的训练数据,这样做可以捕捉到原有参数的关键特征。

训练过程中,研究人员让 p-diff 通过正向和反向过程来学习参数的分布,完成后,扩散模型像生成视觉信息的过程一样,从随机噪声中合成这些潜在表示。

最后,新生成的潜在表示再被与编码器对应的解码器还原成网络参数,并用于构建新模型。

下图是通过 p-diff、使用 3 个随机种子从头开始训练的 ResNet-18 模型的参数分布,展示了不同层之间以及同一层不同参数之间的分布模式。

为了评估 p-diff 所生成参数的质量,研究人员利用 3 种类型、每种两个规模的神经网络,在 8 个数据集上对其进行了测试。

下表中,每组的三个数字依次表示原始模型、集成模型和用 p-diff 生成的模型的测评成绩。

结果可以看到,用 p-diff 生成的模型表现基本都接近甚至超过了人工训练的原始模型。

效率上,在不损失准确度的情况下,p-diff 生成 ResNet-18 网络的速度是传统训练的 15 倍,生成 Vit-Base 的速度更是达到了 44 倍。

额外的测试结果证明,p-diff 生成的模型与训练数据有显著差异。

从下图(a)可以看到,p-diff 生成的模型之间的相似度低于各原始模型之间的相似度,以及 p-diff 与原始模型的相似度。

而从(b)和(c)中可知,与微调、噪声添加方式相比,p-diff 的相似度同样更低。

这些结果说明,p-diff 是真正生成了新的模型,而非仅仅记忆训练样本,同时也表明其具有良好的泛化能力,能够生成与训练数据不同的新模型。

目前,p-diff 的代码已经开源,感兴趣的话可以到 GitHub 中查看。

论文地址:

  • https://arxiv.org/abs/2402.13144

  • GitHub:

  • https://github.com/NUS-HPC-AI-Lab/Neural-Network-Diffusion

本文来自微信公众号:量子位 (ID:QbitAI),作者:克雷西

广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。

文章价值:
人打分
有价值还可以无价值
置顶评论
    热门评论
      文章发布时间太久,仅显示热门评论
      全部评论
      一大波评论正在路上
        取消发送
        软媒旗下人气应用

        如点击保存海报无效,请长按图片进行保存分享