数据集越大就越好吗？
明敏 发自 凹非寺
非常AI | 公众号 QbitAI
这两天，推特上一个任务悬赏火得一塌糊涂。
一家AI公司提供25万美金（折合人民币约167万元），悬赏什么任务能让模型越大、性能反而越差。
评论区里已经讨论得热火朝天了。
不过这事儿倒也不是单纯整活，而是为了进一步探索大模型。
毕竟，这两年大家越发意识到，AI模型不能单纯比“大”。
一方面，随着模型的规模越来越大，训练付出的成本开始呈现指数型增长；
另一方面，模型性能的提升也已经逐渐到达瓶颈期，哪怕想要让误差再下降1%，都需要更多的数据集增量和计算增量。
比如对于Transformer而言，交叉熵损失想要从3.4奈特降低到2.8奈特，就需要原本10倍量的训练数据。
针对这些问题，AI学者们已经在从各种方向上找解决路子了。
Meta斯坦福的学者们，最近想到了从数据集上切入。
他们提出，对数据集进行知识蒸馏，使得数据集规模虽小，但还能保持模型性能不下降。
实验验证，在剪掉ImageNet 20%的数据量后，ResNets表现和使用原本数据时的正确率相差不大。
研究人员表示，这也为AGI实现找出了一条新路子。
超大数据集的效率并不高
本文提出的办法，其实就是对原本的数据集进行优化精简。
研究人员表示，过去许多方法都表明，许多训练示例是高度冗余的，理论上可以把数据集“剪”得更小。
而且最近也有研究提出了一些指标，可以根据训练示例的难度或重要性对它们进行排序，并通过保留其中一些难度高的示例，就能完成数据修剪。
基于前人的发现和研究，此次学者们进一步提出了一些可具体操作的方法。
首先，他们提出了一种数据分析方法，可以让模型只学习部分数据，就能实现同等的性能。
通过数据分析，研究人员初步得出结论：
一个数据集怎样修剪效果最好？这和它本身的规模有关。
初始数据量越多，越应该保留难度高的示例；
初始数据量越少，则应该保留难度低的示例。
而在保留困难示例进行数据修剪后，模型和数据规模的对应关系，可以打破幂律分布。
常被提起的二八定律就是基于幂律提出的。
即20%的数据会影响80%的结果。
同时在此情况下，还能找到一个处于帕累托最优的下的极值。
这里所说的帕累托最优是指资源分配的一种理想状态。
它假设固定有一群人和可分配的资源，从一种分配状态调整到另一种分配状态，在没有使任何一个人变差的前提下，至少使得一个人变得更好。
在本文中，调整分配状态即可理解为，修剪多少比例的数据集。
然后，研究人员进行了实验来验证这一理论。
从实验结果来看，当数据集越大，修剪后的效果就越明显。
在SVHN、CIFAR-10、ImageNet几个数据集上，ResNet的错误率总体和数据集修剪规模呈反比。
在ImageNet上可以看到，数据集规模保留80%的情况下，和原本数据集训练下的错误率基本相同。
这一曲线也逼近了帕累托最优。
接下来，研究人员聚焦在ImageNet上，对10种不同情况进行了大规模基准测试。
结果表明，随机修剪以及一些修剪指标，在ImageNet上的表现并不够好。
所以更进一步，研究人员还提出了一种自监督方法来修剪数据。
也就是知识蒸馏（教师学生模型），这是模型压缩的一种常见方法。
结果显示，在自监督方法下，它在找数据集中简单/困难示例上的表现都还不错。
使用自监督方法修剪数据后，正确率明显提高（图C中浅蓝色线）。
还存在一些问题
不过在论文中，研究人员也提到，虽然通过如上方法可以在不牺牲性能的情况下修剪数据集，但是有些问题仍旧值得关注。
比如数据集缩小后，想要训练出同等性能的模型，需要的时间可能会更长。
因此，在进行数据集修剪时，应该平衡缩减规模和训练增长时间两方面因素。
与此同时，对数据集进行修剪，势必会丧失一些群体的样本，由此也可能造成模型在某一个方面出现弊端。
在这方面会容易引起道德伦理方面的问题。
研究团队
本文作者之一Surya Ganguli，是量子神经网络科学家。
他现在是斯坦福大学应用物理学教授、谷歌客座研究教授。
此前，他在斯坦福读本科期间，同时学习了计算机科学、数学和物理三个专业，之后拿下了电气工程与计算机科学硕士学位。
论文地址：
https://arxiv.org/abs/2206.14486
