内容简介:鱼羊 发自 麦蒿寺量子位 报道 | 公众号 QbitAI最新研究表明,无需重构,无监督表示学习也可以表现出色。
鱼羊 发自 麦蒿寺
量子位 报道 | 公众号 QbitAI
最新研究表明,无需重构,无监督表示学习也可以表现出色。
来自图灵奖得主 Hinton 团队的最新研究,提出了一种名为 SimCLR 的视觉表示对比学习简单框架。
作者表示,SimCLR 简化了自监督对比学习算法,使其不再依赖于专门的架构和存储库。
△ 灰色x表示有监督ResNet-50
SimCLR
SimCLR 学习表示的方式,是通过对比损失最大化了同一示例不同增强视图的隐藏层之间的一致性。
使其表现出色的关键因素,有四点:
1. 多个数据增强的组合
研究人员发现,即使模型可以在对比任务中几乎完美地识别出正对,也无法通过单个变换来学习良好的表示。
采用数据增强组合时,对比预测任务会变得更加困难,但表示质量会大大提高。
并且,研究还指出,比起监督学习,对比学习需要更强大的数据增强。
2. 在表示(the representation)和对比(the contrastive)之间引入可学习的非线性变换
下图显示了使用三种不同头架构的线性评估结果。
非线性投影要好于线性投影,并且比没有投影要好得多。
3. 更大的批处理规模和更多的训练步骤
与监督学习相反,在对比学习中,较大的批处理量产生了更多的负面样本,从而促进了收敛。
4. 温度标度交叉熵损失的归一化
实验结果
在 ImageNet 上,SimCLR 方法训练出的线性分类器与有监督的 ResNet-50 性能相匹配,达到了 76.5% 的 top-1 准确率。相比于 SOTA,提升了7个百分点。
仅对 1% 的标签进行微调时,SimCLR 可以达到 85.8% 的 top-5 准确率。并且相比于 AlexNet,标签数量减少了 100 倍。
一作:北邮毕业生
SimCLR 的研究团队来自谷歌大脑,图灵奖得主 Geoffrey Hinton 名列其中。
论文一作,则是本科毕业于北京邮电大学的 Ting Chen。
本科毕业后,Ting Chen 赴美留学,先后拿下东北大学(Northeastern University)和加州大学洛杉矶分校两个CS博士学位。
2017年开始,他先后在谷歌AI、谷歌大脑等部门实习,2019年正式成为谷歌大脑的研究科学家。
传送门
论文地址:
https://arxiv.org/abs/2002.05709
Ting Chen 推特:
https://twitter.com/tingchenai/status/1228337240708874241
— 完 —
疫情防控期间,家里的小朋友有点无聊?
推荐给7-12岁的小朋友,一个好玩又有趣的事情:在家学习编程。这是一个绝佳的逻辑思维、数理思维、计算思维的提升方式。
柯基少儿编程入门课限时优惠招生,2020年2月17日、29日两个开课时间可选,一共七个课时,现在只需48元,而且学完课程学费全返!
欢迎爸爸妈妈们扫码查看、报名:
在家学编程 | 柯基编程双师互动课
AI内参 | 关注趋势,把握机遇
内参新升级!拓展优质人脉,获取最新AI资讯&论文教程,欢迎加入AI内参社群一起学习~
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
喜欢就点「在看」吧 !
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 性能比肩美拍秒拍的 Android 视频录制编辑特效解决方案
- 中国学霸本科生提出AI新算法:速度比肩Adam,性能媲美SGD,ICLR领域主席赞不绝口
- [译] 机器学习模型一览:监督型、半监督型和无监督型
- 一文读懂监督学习、无监督学习、半监督学习、强化学习这四种深度学习方式
- 无监督学习概述之无监督特征学习
- 有监督与无监督学习,KNN与KMeans
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
架构真经
马丁L. 阿伯特(Martin L. Abbott)、迈克尔T.费舍尔(Michael T. Fisher) / 机械工业出版社 / 2017-4 / 79
前言 感谢你对本书第2版感兴趣!作为一本入门、进修和轻量级的参考手册,本书旨在帮助工程师、架构师和管理者研发及维护可扩展的互联网产品。本书给出了一系列规则,每个规则围绕着不同的主题展开讨论。大部分的规则聚焦在技术上,少数规则涉及一些关键的思维或流程问题,每个规则对构建可扩展的产品都是至关重要的。这些规则在深度和焦点上都有所不同。有些规则是高级的,例如定义一个可以应用于几乎任何可扩展性问题的模......一起来看看 《架构真经》 这本书的介绍吧!