snlp2023_beyond_neural_scaling_laws

Transcript

1. Beyond neural scaling laws: beating power law scaling via data pruning Ben Sorscher, Robert Geirhos, Shashank Shekhar, Surya Ganguli, Ari Morcos NeurIPS 2022 読む⼈︓⾼瀬翔（LINE） 2023/8/28 1
2. (Neural) Scaling law • ニューラルモデルの性能は – 訓練事例数 – パラメータ数 • に対数⽐例するという経験的な知⾒ – 特に⼤規模⾔語モデルで周辺でよく⾔われる印象 2 Dataset Size tokens Parameters non-embedding Compute PF-days, non-embedding Test Loss [Kaplan+ 20]
3. 本論⽂の取り組み • 訓練データ数の Scaling law を⾒直す – 訓練データを上⼿く選択する効果を検証 • Toy data + 実際の画像認識データセットで検証 • 既存のデータクリニーング⼿法の効果も検証 – ImageNet を 80% くらいまでなら削れるかも • 理想的な状況ほど効率的にはならない印象 • タイトルから期待される効果は実データでは難しそう 3
4. Toy data での検証⼿続き • タスク︓⼆値分類 • モデル︓単純パーセプトロン • ⼿続き – 難易度の⾼いN%の事例を抽出する • モデルを学習する • スコア（⼊⼒ベクトルと重みの内積）の逆順にソート – 分類が難しい順にソート • 全体の事例数のN%を難易度の⾼い事例として抽出 – 上記とは別のモデルをN%の事例で学習 • テストデータでの性能（誤り率）を評価 4
5. Toy data での検証 5 Pareto frontier Test error (%) Theory Simulation 100% Frac. data kept 77% 60% 46% 36% 28% 22% 17% 13% 10% Training examples per parameter ( ) Keep hard ResNet18 on CIFAR-10 D Keep easy examples Keep hard examples Perceptron in teacher-student setting Perceptron in teacher-student s B C A Frac. data kept t Total examples per parameter ( 抽出した訓練データの量 全訓練データの 何%を残すか パーセンテージ が⼩さいと ⾼難易度の データのみ 全訓練データから特定の量を抽出し， 抽出した訓練データの量はそろえている つまりパーセンテージが⼩さい⽅が全訓練データは多い設定（のハズ） 訓練データ量が少ない場合（左側） → 難易度の低いデータが多い⽅が良い 訓練データ量が多い場合（右側） → 難易度の⾼いデータが多いほど良い 訓練データを抽出する際の最適な割合は 全訓練データ量に依存する
6. 難易度の判定が難しいときは︖ 6 前スライドの例と同⼀ 難易度判定が難しい 難易度判定が難しい場合は訓練データをあまり削らない⽅が良い （判定が難しいほど削りづらくなる） B C D Theory Simulation Theory Simulation 20% Frac. data kept 30% 40% 50% 60% 70% 80% 90% 100% Training examples per parameter ( ) Training examples per parameter ( ) Training examples per parameter ( ) Error ning with an imperfect metric. A: Weight vectors and decision boundaries for a
7. 画像認識データセットでの検証 Pareto frontier ResNet18 on SVHN Training examples Training examples Pareto frontier Test error (top-5 %) Test error (%) setting B C D Pareto frontier ResNet18 on CIFAR-10 ResNet50 on ImageNet eory mulation 20% Frac. data kept 30% 40% 50% 60% 70% 80% 90% 100% 20% Frac. data kept 30% 40% 50% 60% 70% 80% 90% 100% 1% Frac. data kept 2% 3% 5% 8% 13% 22% 36% 60% 100% Training examples meter power law scaling in practice. A–D: Curves of test error against pruned dataset runing scores were EL2N [10] for CIFAR-10 and SVHN and memorization [13] App. B for all pruning/training details and App. D for similar ImageNet plots 7 同⼀の訓練データからは抽出するパーセンテージが⼩さいと性能が低いまま （訓練データが⼩さいので性能が上がりきらない） ⾼瀬の意⾒ 実際のデータセットに対しては7-8割を残す程度が妥当に⾒える データセットによっては6割程度まで削ってしまっても良さそう
8. 事前学習でも成⽴するか︖ • 事前学習でもデータを削る効果はある – 上⼿く削ると性能が上がることも 8 事前学習データをどの程度削るか ImageNet で学習 → CIFAR-10でチューニング 事前学習のデータ（ImageNet）を削る ImageNet を 7-8割程度まで削っても ・性能はあまり変化しない ・データの選択法によっては性能が上がる en larger datasets, scaling could improve further (e.g., dashed lines in A). E pruning (f = 1) are labeled with their best-fit power law scaling ⇠ ↵ ⌫. (N an asymptotic constant error E(P ! 1) = 1.1% is subtracted from each of he power law scaling more clearly.) B Frac. of ImageNet used for pretraining ResNet50 netuned on CIFAR-10 Test accuracy (%) 0.75 1.0 0.5 0.25 0 Figure 4: Data pruning improves trans learning. A: CIFAR-10 performance a ViT pre-trained on all of ImageNet2 and fine-tuned on different pruned subs of CIFAR-10 under the EL2N metric. CIFAR-10 performance of ResNet50s trained on different pruned subsets of I geNet1K and fine-tuned on all of CIFA 10.
9. データクリーニングの戦略 • （紹介論⽂での）画像認識での検証はスキップします • 代わりに⼤規模⾔語モデルの学習の話をします – Deduplicating Training Data Makes Language Models Better [Lee+ 22] – ウェブデータには（部分的に）重複している⽂書が多い – 重複⽂書を除去することで • 学習効率が良くなる – 学習データ量に対して⾼い性能向上 • 性能が上がることもある s and C4 ex- g dataset con- nt to capture xt commonly Wiki-40B, we e text identi- nerated. The 9 重複削除を⾏って学習した場合 ⾔語モデルのPPLは ・性能に悪影響がない ・データによっては性能向上 近似重複削除 重複削除
10. まとめ • 訓練データ数の Scaling law を⾒直す – 訓練データを上⼿く選択する効果を検証 • Toy data + 実際の画像認識データセットで検証 • 訓練データが上⼿く選択できれば効率的 – 実データでは7-8割辺りまでは削れそう • ⼤規模⾔語モデル学習では重複⽂書除去をすべき – 学習効率は良くなる + 性能が上がる場合もある 10