Apple Machine Learning Research
·
揭示神经网络学习子空间的利用秩
💡
原文英文，约300词，阅读约需1分钟。
📝
内容提要
本研究探讨了神经网络学习权重如何充分利用可用空间，通过数据驱动的转换保留层的功能映射并揭示低秩结构。发现转换可以减少参数并保持准确性，自监督预训练可以提高利用率，适用于下游任务。
🎯
关键要点
- 本研究探讨神经网络学习权重如何利用可用空间。
- 学习权重通常是满秩的，表面上看似充分利用了空间。
- 提出了一种数据驱动的转换，将权重投影到数据与权重交互的子空间。
- 该转换保留了层的功能映射，并揭示了低秩结构。
- 研究发现，大多数模型只利用了可用空间的一部分，例如ViTB-16和ViTL-16在ImageNet上的平均层利用率分别为35%和20%。
- 转换后，参数减少到50%和25%，且微调后准确率下降不到0.2%。
- 自监督预训练可以将利用率提高到70%，证明其适用于下游任务。
❓
延伸问答
神经网络的学习权重如何利用可用空间？
神经网络的学习权重通常是满秩的，表面上看似充分利用了空间，但实际上大多数模型只利用了可用空间的一部分。
研究中提出了什么方法来改善权重的空间利用率？
研究提出了一种数据驱动的转换，将权重投影到数据与权重交互的子空间，从而揭示低秩结构并保留层的功能映射。
ViTB-16和ViTL-16模型在ImageNet上的层利用率是多少？
ViTB-16和ViTL-16在ImageNet上的平均层利用率分别为35%和20%。
转换后模型参数减少了多少，准确率变化如何？
转换后，ViTB-16和ViTL-16的参数分别减少到50%和25%，且微调后准确率下降不到0.2%。
自监督预训练如何影响模型的利用率？
自监督预训练可以将模型的利用率提高到70%，证明其适用于下游任务。
研究发现的低秩结构对神经网络有什么意义？
低秩结构的发现表明，神经网络的权重并未充分利用可用空间，可能存在优化的空间。
➡️
