為特定任務(wù)尋找最合適的優(yōu)化機(jī)器學(xué)習(xí)算法是一件耗時(shí)費(fèi)力的工作，因?yàn)闆]有一種算法能適用于所有任務(wù)。IBM的研究人員提出“神經(jīng)突變”進(jìn)化算法，可以為機(jī)器學(xué)習(xí)任務(wù)自動(dòng)選擇最合適的算法，選擇速度提升了50000倍，錯(cuò)誤率僅上升0.6%.

機(jī)器學(xué)習(xí)系統(tǒng)并非是“生而平等”的。沒有一種算法能應(yīng)對(duì)所有的機(jī)器學(xué)習(xí)任務(wù)，這就讓尋找最優(yōu)的機(jī)器學(xué)習(xí)算法成為一項(xiàng)艱巨又耗時(shí)的工作。不過這個(gè)問題現(xiàn)在有希望解決了，最近IBM的研究人員開發(fā)了一套能夠自動(dòng)選擇AI優(yōu)化算法的系統(tǒng)。

IBM愛爾蘭研究院的數(shù)據(jù)科學(xué)家Martin Wistuba,在其近日發(fā)表的博客文章中介紹了自己開發(fā)的這套系統(tǒng)。他聲稱，該系統(tǒng)將自動(dòng)選擇優(yōu)化AI算法的速度提升了5萬倍，錯(cuò)誤率僅上升了0.6%。

Wistuba表示，這套進(jìn)化算法系統(tǒng)能將選擇適當(dāng)?shù)臋C(jī)器學(xué)習(xí)架構(gòu)的時(shí)間縮減至幾個(gè)小時(shí)，讓每個(gè)人都能有條件對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)進(jìn)行優(yōu)化。

面向機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)突變算法

該方法將卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)視為神經(jīng)細(xì)胞序列，然后應(yīng)用一系列突變，以找到一種結(jié)構(gòu)，可以提升給定數(shù)據(jù)集和機(jī)器學(xué)習(xí)任務(wù)的神經(jīng)網(wǎng)絡(luò)的性能。

這種方法大大縮短了網(wǎng)絡(luò)訓(xùn)練時(shí)間。這些突變會(huì)改變網(wǎng)絡(luò)結(jié)構(gòu)，但不會(huì)改變網(wǎng)絡(luò)的預(yù)測(cè)，網(wǎng)絡(luò)的結(jié)構(gòu)變化可能包括添加新的層、添加新連接或擴(kuò)展內(nèi)核或現(xiàn)有層。

保留原函數(shù)的神經(jīng)網(wǎng)絡(luò)突變示例。右側(cè)的體系結(jié)構(gòu)是突變后的網(wǎng)絡(luò)，但與左側(cè)的體系結(jié)構(gòu)具有相同的預(yù)測(cè)結(jié)果（由相同顏色表示）

實(shí)驗(yàn)評(píng)估：速度提升5萬倍，錯(cuò)誤率僅上升0.6%

實(shí)驗(yàn)中，研究人員將新神經(jīng)進(jìn)化方法與CIFAR-10和CIFAR-100數(shù)據(jù)集上的圖像分類任務(wù)的其他幾種方法進(jìn)行了比較。這些數(shù)據(jù)集通常用于訓(xùn)練機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺算法的圖像集。

與最先進(jìn)的人工設(shè)計(jì)架構(gòu)、基于強(qiáng)化學(xué)習(xí)的架構(gòu)搜索方法、以及基于進(jìn)化算法的其他自動(dòng)化方法的結(jié)果相比，結(jié)構(gòu)突變算法在分類錯(cuò)誤上稍高出前幾種方法，但耗時(shí)要少得多，比其他方法快了50000倍，錯(cuò)誤率最多僅比基準(zhǔn)數(shù)據(jù)集CIFAR-10上的最有力競(jìng)爭對(duì)手高出0.6％。

下圖所示為算法的優(yōu)化過程。在圖2中，每個(gè)點(diǎn)代表不同的結(jié)構(gòu)，連接線代表突變。不同顏色所示為每個(gè)結(jié)構(gòu)的精度，x軸表示時(shí)間?？梢钥吹?，準(zhǔn)確率在前10個(gè)小時(shí)內(nèi)迅速上升，之后緩慢上升、最后趨于穩(wěn)定。

深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)的進(jìn)化算法優(yōu)化

圖示為隨時(shí)間推移，進(jìn)化算法的優(yōu)化過程

下圖所示為隨著時(shí)間的推移，深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的演變情況。

網(wǎng)絡(luò)結(jié)構(gòu)隨時(shí)間的演變，圖中某些中間狀態(tài)未顯示

實(shí)際上，自動(dòng)算法選擇并不新鮮。谷歌在智能手機(jī)面部識(shí)別和目標(biāo)檢測(cè)上也在使用這類方法，如果IBM這一的系統(tǒng)性能確實(shí)如其所言，它可能代表著該領(lǐng)域內(nèi)的一次重大進(jìn)步。

將來，研究人員希望將這種優(yōu)化集成到IBM的云服務(wù)中，并將其提供給客戶。此外還計(jì)劃將其擴(kuò)展到更大的數(shù)據(jù)集上，如ImageNet和其他類型的數(shù)據(jù)，如時(shí)間序列和文本、自然語言處理任務(wù)等。

Wistuba將于9月在愛爾蘭都柏林舉行的歐洲機(jī)器學(xué)習(xí)和數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)會(huì)議（ECML-PKDD）會(huì)議上介紹這種方法。