Categories
程式開發

研究了50篇论文后,他发现AI领域的某些进步其实就是炒作


研究人员评估了81种剪枝算法、程序,它们通过对不需要的连接进行剪枝来提高神经网络的效率。这些方法差别不大,但所有人都宣称自己具有优越性。然而,很少有人对它们进行恰当的比较——当研究人员设法把它们放在一起评估时,并没有明确的证据可以表明近10年来它们的性能有什么改善。

本文最初发布于科学杂志,由InfoQ中文站翻译并分享。

人工智能(AI)似乎变得越来越聪明。每一部iPhone都比上一部更了解你的脸、声音和习惯,人工智能对隐私的威胁也在不断增加,职位也在不断增加。这种激增反映了更快的芯片、更多的数据和更好的算法。但是,麻省理工学院的计算机科学研究生Davis Blalock说,有一些改进是来自微调,而不是发明者声称的核心创新,而有些改进可能根本就不存在。Blalock和他的同事比较了几十种改进神经网络的方法(大致模仿大脑的软件架构)。他说,“在研究了50篇论文之后,事情已经变得很清晰,当时的技术水平到底如何并不是一件显而易见的事情。

研究人员评估了81种剪枝算法、程序,它们通过对不需要的连接进行剪枝来提高神经网络的效率。这些方法差别不大,但所有人都宣称自己具有优越性。然而,很少有人对它们进行恰当的比较——当研究人员设法把它们放在一起评估时,并没有明确的证据可以表明近10年来它们的性能有什么改善。今年3月,在机器学习与系统大会上公布的这一结果让Blalock的博士生导师、麻省理工学院的计算机科学家John Guttag感到意外,他指出,这种无规则的对比本身就说明了技术发展的停滞。Guttag说,“老话说得好,无法度量就无法改进,对吧?”

研究人员逐渐意识到,人工智能的许多子领域的进展都出现了问题。2019年开展的一项针对搜索引擎中使用的信息检索算法的元分析表明,“最高点……实际上出现在2009年。”2019年的另一项研究再现了7个神经网络推荐系统,这类系统主要用于流媒体服务。研究发现,有六种算法的性能没有超过多年前开发的简单许多的非神经算法(这些早期的技术当时都经过了调优),揭示了该领域的“进展幻象”。

今年3月,来自康奈尔大学的计算机科学家Kevin Musgrave在arXiv网站上发表了一篇论文,他研究了损失函数,这是这类算法的一部分,从数学上明确了算法的目标。Musgrave在一项涉及图像检索的任务中,基于同样的标准对其中的12种方法进行了比较,结果发现,与开发人员的说法相反,准确性自2006年以来就再没有提高。Musgrave说:“这一直以来都是炒作。”

机器学习算法的性能增强可以来自其架构、损失函数或优化策略(如何使用反馈进行改进)的根本性变化。来自卡耐基梅隆大学的计算机科学家Zico Kolter表示,对上述任何一种技术进行细微的调整都可以提高性能。Kolter的研究内容是经过训练后能够对黑客的“对抗性攻击”免疫的图像识别模型。一种被称为投影梯度下降(PGD)的早期对抗性训练方法(该方法会同时在真假样例上进行简单的训练),似乎已经被更复杂的方法所超越。但在今年2月arXiv发表的一篇论文中,Kolter和他的同事们发现,当使用一个简单的技巧来对它们进行增强时,所有方法的效果都差不多

image

在经过适度调整后,旧的图像检索算法和新算法的性能一样好,这表明,实际的创新很少。

“这非常令人惊讶,这一点我们以前没有发现,”Kolter的博士生Leslie Rice说。而Kolter表示,他的发现表明,像PGD这样的创新很难做到,而且很少有实质性的改进。“很明显,PGD实际上就是一种正确的算法,”他说,“这显而易见,而人们希望找到更为复杂的解决方案。”

其他主要算法的进步似乎也经受住了时间的考验。1997年,一种被称为长短时记忆(LSTM)的架构在语言翻译方面取得了重大突破。在经过适当的训练后,LSTM的性能可以与20年后开发的更先进的架构相媲美。另一个机器学习的突破出现在2014年的生成对抗网络(GAN)中,举例来说,它可以将网络以生成-判别循环的方式进行配对,以提高它们生成图像的能力。据2018年的一篇论文报道,只要计算能力足够,原始的GAN方法就可以与后续几年的方法相媲美。

Kolter说,与调整现有算法相比,研究人员更愿意去创造一种新的算法,并对其进行调整,直到达到最先进的水平。他指出,调整现有算法可能显得不那么新颖,使得“发表论文的难度大大增加”。

Guttag说,算法的发明者不希望与他人的算法进行彻底的性能比较,结果却发现他们的突破性进展并不是他们所认为的那样。“比较太仔细是有风险的。”同时,那也是一项艰苦的工作:人工智能研究人员使用不同的数据集、调优方法、性能指标和基线。“完全的横向对比是不现实的。”

一些夸大性能的说法可以归因于该领域的爆炸性增长,该领域的论文数量超过了有经验的审稿人。Blalock说,“这似乎是成长的烦恼”。他敦促审稿人,要坚持与基准进行更好地比较,并表示,更好的工具将有所帮助。今年早些时候,Blalock的合著者、麻省理工学院研究员Jose Gonzalez Ortiz发布了一款名为ShrinkBench的软件,它可以让人们更轻松地比较剪枝算法。

研究人员指出,即使新方法在本质上并不比旧方法更好,但他们所实现的调整也可以应用到之前的算法上。每隔一段时间,就会有一个新的算法出现。“这几乎就像一个风险投资组合,”Blalock说,“其中一些业务并没有真正发挥作用,但有些却非常成功。”

查看英文原文:

https://www.sciencemag.org/news/2020/05/eye-catching-advances-some-ai-fields-are-not-real