Adaptive step sizes and implicit regularization in optimization models
Notice bibliographique
Résumé
Given the ever-increasing size of machine learning models, better optimization algorithms are needed to improve computation efficiency. Despite significant recent progress having been made, there is a lack of understanding of the general working principles behind common optimizers for complex tasks such as neural network training. There are two criteria to be considered when measuring the performance of an optimizer: 1. the convergence speed or the rate of training-loss decrease; 2. test accuracy of the converged solution. Given these criteria, this thesis focuses on three relevant ingredients: data sampling for (stochastic) gradient computation, step sizes, and optimization implicit bias. We first consider a commonly used sampling-without-replacement scheme for computing the stochastic gradient, known as random reshuffling (RR). Despite its success in training deep neural networks, its theoretical justifications have only been studied recently. In the over-parameterized setting, it has not been shown that RR achieves the linear convergence rate as stochastic gradient descent (SGD) does. We bridge this gap by showing the rate of RR is indeed linear and can be faster than that of SGD. Stochastic Polyak (SPS) and line-search (SLS) step sizes are known to converge fast under over-parameterization, thanks to their adaptivity to the local curvature of the loss. However, without over-parameterization, there is no guarantee that they would converge to the exact solution. Given this, we first extend SPS and SLS to the non over-parameterized setting. The advantage of our modifications is that the step sizes are not required to be monotonically decreasing. We then propose variants of SPS and SLS for bilevel optimization which involves tuning two step sizes. Previous works that studied optimization implicit bias have focused more on the binary classification setting. However, machine learning applications are typically multiclass. To this end, we study a family of optimization algorithms known as normalized steepest descent in linear multiclass classification with separable data. This includes several popular algorithms. We show that their iterates converge to the max-margin defined with respect to the norms that are used to define the algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».