Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

On the Surprising Effectiveness of Large Learning Rates under Standard Width Scaling

Created by
  • Haebom

저자

Moritz Haas, Sebastian Bordt, Ulrike von Luxburg, Leena Chennuru Vankadara

개요

본 논문은 대규모 비전 및 언어 모델 훈련의 주요 방법인 He 초기화와 단일 전역 학습률(표준 매개변수화, SP)에 대한 이론적 이해를 심층적으로 다룹니다. 기존의 무한 너비 이론은 큰 학습률에서는 불안정성을, 안정적인 학습률에서는 특징 학습의 소멸을 예측하지만, 실제로는 최적 학습률이 이론적 예측보다 훨씬 느리게 감소합니다. 본 논문은 신경망 훈련 역학을 면밀히 연구하여 이러한 차이가 유한 너비 현상(예: 캐터펄트 효과, 가중치와 입력 활성화 간의 정렬 부족)으로만 완전히 설명될 수 없음을 보여줍니다. 대신 손실 함수를 고려하여 이러한 모순을 해결할 수 있음을 증명합니다. 즉, MSE 손실과 달리 교차 엔트로피(CE) 손실 하에서는 로짓이 발산하지만 손실, 기울기 및 활성화는 안정적인 중간 제어 발산 체제가 나타납니다. 큰 학습률에서의 안정적인 훈련은 모든 은닉층에서 대규모로 지속적인 특징 진화를 가능하게 하며, 이는 SP의 실질적인 성공에 중요합니다. 실험을 통해 최적화기(SGD, Adam), 아키텍처(MLP, GPT), 데이터 모달리티(비전, 언어)에 걸쳐 CE 손실 하에서는 신경망이 이러한 제어 발산 체제에서 작동하지만 MSE 손실 하에서는 그렇지 않음을 검증합니다. 또한 너비 스케일링 고려 사항이 실험적으로 최적의 학습률 지수를 예측하는 데 놀라울 정도로 유용함을 시사하며, 최근 제안된 계층별 학습률 스케일링의 효과와 한계를 명확히 합니다.

시사점, 한계점

시사점:
교차 엔트로피 손실 함수 하에서 대규모 신경망의 안정적인 학습을 위한 "제어된 발산" 체제의 존재를 규명.
큰 학습률에서의 안정적인 훈련이 모든 은닉층에서 지속적인 특징 진화를 가능하게 함을 보임.
너비 스케일링이 실험적으로 최적의 학습률 지수 예측에 유용함을 제시.
계층별 학습률 스케일링의 효과와 한계에 대한 통찰력 제공.
한계점:
제어된 발산 체제의 이론적 분석이 특정 손실 함수와 아키텍처에 국한될 수 있음.
실험 결과가 특정 최적화기와 데이터셋에 국한될 수 있으므로 일반화 가능성에 대한 추가 연구 필요.
유한 너비 현상의 영향에 대한 추가 분석 필요.
👍