| 講演名 | 2019-06-18 Fixup initializationの理論解析: 学習の高速化とResNetの汎化能力向上 古庄 泰隆(奈良先端大), 池田 和司(奈良先端大), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | FixupはResNetのパラメータの新しい初期化方法で,確率的勾配降下法で大きな学習率を設定できるため学習が高速化し,さらにResNetの汎化能力も向上することが実験的に知られている.しかしながらその理由は明らかではない.学習が収束するための学習率と汎化能力は損失関数の形状,特に初期値時点でのヘッセ行列の最大固有値に関係する.そこで本研究ではfixup及び従来手法であるHeの方法で初期化したResNetのヘッセ行列の最大固有値を計算した.その結果fixupではヘッセ行列がスパースになり,最大固有値は層の数に対して高々平方根で増加する.一方でHeの初期化は最大固有値が層の数に対して指数的に増加する.Fixupのこの小さな最大固有値が学習を高速化しResNetの汎化性能を向上させる.数値実験も上記の理論結果と一致することを確認した. |
| 抄録(英) | The Fixup initialization is a new initialization method of ResNet for a fast convergence with a high learning rate of SGD and a high generalization ability. However, the reasons for its high performance are not clear. Both the learning rate and the generalization ability are affected by the loss landscape at initialization, that is, the maximum eigenvalue of the Hessian matrix. Thus, we calculated the maximum eigenvalue of the ResNet and found that the maximum eigenvalue with the Fixup initialization has at most the square root order with respect to the depth of the ResNet while that with the He initialization has the exponential order. This small eigenvalue leads to a fast convergence with a high learning rate of SGD and a high generalization ability. |
| キーワード(和) | ディープニューラルネットワーク / ResNet / 初期化 / Fixup |
| キーワード(英) | Deep neural network / ResNet / Initialization / Fixup |
| 資料番号 | NC2019-19,IBISML2019-17 |
| 発行日 | 2019-06-10 (NC, IBISML) |
| 研究会情報 | |
| 研究会 | NC / IBISML / IPSJ-MPS / IPSJ-BIO |
|---|---|
| 開催期間 | 2019/6/17(から3日開催) |
| 開催地（和） | 沖縄科学技術大学院大学 |
| 開催地（英） | Okinawa Institute of Science and Technology |
| テーマ（和） | NC、機械学習によるバイオデータマイニング、一般 |
| テーマ（英） | Neurocomputing, Machine Learning Approach to Biodata Mining, and General |
| 委員長氏名（和） | 庄野 逸(電通大) / 鹿島 久嗣(京大) / 関嶋 政和(東工大) / 倉田 博之(九工大) |
| 委員長氏名（英） | Hayaru Shouno(UEC) / Hisashi Kashima(Kyoto Univ.) / Masakazu Sekijima(Tokyo Tech) / Hiroyuki Kurata(Kyutech) |
| 副委員長氏名（和） | 鮫島 和行(玉川大) / 杉山 将(東大) / 津田 宏治(東大) |
| 副委員長氏名（英） | Kazuyuki Samejima(Tamagawa Univ) / Masashi Sugiyama(Univ. of Tokyo) / Koji Tsuda(Univ. of Tokyo) |
| 幹事氏名（和） | 吉本 潤一郎(奈良先端大) / 安部川 直稔(NTT) / 竹内 一郎(名工大) / 神嶌 敏弘(産総研) / 吉川 大弘(名古屋大) / 大久保 好章(北大) / 小谷野 仁(東工大) / 渡邉 真也(室蘭工業大) / 佐藤 寛之(電通大) / 高田 雅美(奈良女子大) / 田口 善弘(中央大) / 吉本 潤一郎(奈良先端大) / 伊藤 公人(北大) |
| 幹事氏名（英） | Junichiro Yoshimoto(NAIST) / Naotoshi Abekawa(NTT) / Ichiro Takeuchi(Nagoya Inst. of Tech.) / Toshihiro Kamishima(AIST) / Tomohiro Yoshikawa(Nagoya Univ.) / Yoshiaki Okubo(Hokkaido Univ.) / Hitoshi Koyano(Tokyo Tech) / Shinya Watanabe(Muroran Inst. Tech.) / Hiroyuki Sato(UEC) / Masami Takata(Nara Women's Univ.) / Yoshihiro Taguchi(Chuo Univ.) / Junichiro Yoshimoto(NAIST) / Kimihito Ito(Hokkaido Univ.) |
| 幹事補佐氏名（和） | 篠崎 隆志(NICT) / 瀧山 健(東京農工大) / 岩田 具治(NTT) / 大羽 成征(京大) |
| 幹事補佐氏名（英） | Takashi Shinozaki(NICT) / Ken Takiyama(TUAT) / Tomoharu Iwata(NTT) / Shigeyuki Oba(Kyoto Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Neurocomputing / Technical Committee on Infomation-Based Induction Sciences and Machine Learning / IPSJ Special Interest Group on Mathematical Modeling and Problem Solving / IPSJ Special Interest Group on Bioinformatics and Genomics |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | Fixup initializationの理論解析: 学習の高速化とResNetの汎化能力向上 |
| サブタイトル（和） | |
| タイトル（英） | Theoretical Analysis of the Fixup Initialization for Fast Convergence and High Generalization Ability |
| サブタイトル（和） | |
| キーワード(1)（和/英） | ディープニューラルネットワーク / Deep neural network |
| キーワード(2)（和/英） | ResNet / ResNet |
| キーワード(3)（和/英） | 初期化 / Initialization |
| キーワード(4)（和/英） | Fixup / Fixup |
| 第 1 著者 氏名（和/英） | 古庄 泰隆 / Yasutaka Furusho |
| 第 1 著者 所属（和/英） | 奈良先端科学技術大学院大学(略称：奈良先端大) Nara Institute of Science and Technology(略称：NAIST) |
| 第 2 著者 氏名（和/英） | 池田 和司 / Kazushi Ikeda |
| 第 2 著者 所属（和/英） | 奈良先端科学技術大学院大学(略称：奈良先端大) Nara Institute of Science and Technology(略称：NAIST) |
| 発表年月日 | 2019-06-18 |
| 資料番号 | NC2019-19,IBISML2019-17 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | NC-88,IBISML-89 |
| ページ範囲 | pp.87-92(NC), pp.109-114(IBISML), |
| ページ数 | 6 |
| 発行日 | 2019-06-10 (NC, IBISML) |