極限學(xué)習(xí)機

有人認(rèn)為，極限學(xué)習(xí)機是有史以來最聰明的神經(jīng)網(wǎng)絡(luò)發(fā)明之一，以至于甚至召開了專門討論ELM神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)的會議。ELM的支持者認(rèn)為，它可以以指數(shù)級的更快的訓(xùn)練時間執(zhí)行標(biāo)準(zhǔn)任務(wù)，而很少有訓(xùn)練實例。另一方面，除了它在機器學(xué)習(xí)社區(qū)中并不大的事實之外，它還受到深度學(xué)習(xí)專家的廣泛批評，其中包括Yann LeCun，他們認(rèn)為它的宣傳和信譽遠(yuǎn)遠(yuǎn)超出其應(yīng)有的程度。

通常，人們似乎認(rèn)為這是一個有趣的概念。

ELM體系結(jié)構(gòu)由兩層組成：第一個是隨機初始化和固定的，而第二個是可訓(xùn)練的。本質(zhì)上，網(wǎng)絡(luò)將數(shù)據(jù)隨機投影到新空間中并執(zhí)行多元回歸(當(dāng)然，然后將其傳遞給輸出激活函數(shù))。隨機投影需要一種降維(或放大)方法，該方法將隨機矩陣乘以輸入-盡管這個想法聽起來很奇怪，但從戰(zhàn)略分布中隨機抽取實際上可以很好地工作(我們將在以后的直觀類比中看到)。它會施加某種隨機失真，這種失真會以良好的方式(如果正確完成的話)會產(chǎn)生噪聲，并使網(wǎng)絡(luò)的其余部分能夠適應(yīng)，從而為學(xué)習(xí)機會打開了新的大門。

實際上，正是由于這種隨機性，Extreme Learning Machines才被證明具有隱藏層中具有相對較小節(jié)點的通用近似定理冪。

 

實際上，在1980年代和1990年代，以神經(jīng)網(wǎng)絡(luò)發(fā)展領(lǐng)域的名字就已經(jīng)探索了隨機投影的想法，這就是對ELM并不是什么新鮮事物的一種批評。只是舊研究以新名稱打包。許多其他體系結(jié)構(gòu)(例如回聲狀態(tài)機和液體狀態(tài)機)也利用隨機跳過連接和其他隨機性來源。

但是，ELM與其他神經(jīng)網(wǎng)絡(luò)架構(gòu)之間的最大區(qū)別可能是它不使用反向傳播。取而代之的是，由于網(wǎng)絡(luò)的可訓(xùn)練部分只是簡單的多元回歸，因此以大致相同的方式在回歸中擬合系數(shù)來訓(xùn)練參數(shù)。這代表了人們認(rèn)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練方式的根本轉(zhuǎn)變。

自從基本人工神經(jīng)網(wǎng)絡(luò)出現(xiàn)以來，幾乎所有開發(fā)出的神經(jīng)網(wǎng)絡(luò)都通過在整個網(wǎng)絡(luò)中前后反射信息信號，使用迭代更新(或根據(jù)需要將其稱為"調(diào)整")進(jìn)行了優(yōu)化。由于這種方法已經(jīng)存在了很長時間，因此必須假定已經(jīng)嘗試并測試了該方法為最佳方法，但是研究人員承認(rèn)，標(biāo)準(zhǔn)反向傳播存在許多問題，例如訓(xùn)練起來很慢或陷入極小的局部極小值現(xiàn)象。

另一方面，ELM使用數(shù)學(xué)上涉及更多的公式來設(shè)置權(quán)重，而無需太深入地研究數(shù)學(xué)，可以想到使用隨機層來補償更多計算上昂貴的細(xì)節(jié)，否則它將被替換。從技術(shù)上講，如果有幫助，那么非常成功的Dropout層就是一種隨機投影。

因為ELM同時使用隨機性和無反向傳播算法，所以它們的訓(xùn)練速度比標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)快得多。

另一方面，他們是否表現(xiàn)更好是另一個問題。

有人可能會提出這樣一種觀點，即ELM比標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)(盡管兩者都相距甚遠(yuǎn))更能反映人類的學(xué)習(xí)方式，因為它僅需幾個示例就可以非常快速地解決更簡單的任務(wù)，但是迭代神經(jīng)網(wǎng)絡(luò)需要貫穿其中至少，成千上萬的樣本可以泛化并表現(xiàn)良好。與機器相比，人類可能有其弱點，但是他們在示例學(xué)習(xí)比率(示例是他們所接受的培訓(xùn)示例的數(shù)量)方面的巨大優(yōu)勢才使我們真正變得聰明。

極限學(xué)習(xí)機的概念非常簡單-如此簡單，以至于有人會稱其為愚蠢的。偉大的計算機科學(xué)家和深度學(xué)習(xí)先驅(qū)Yann LeCun宣稱，"隨機連接第一層幾乎是您可以做的最愚蠢的事情"，在此論點之后，他列舉了更多的開發(fā)方法來非線性地變換向量的維數(shù)，例如作為SVM中使用的內(nèi)核方法，通過使用反向傳播進(jìn)行定位進(jìn)一步得到了加強。

LeCun說，從本質(zhì)上講，ELM本質(zhì)上是一個SVM，具有更差的轉(zhuǎn)換內(nèi)核。使用SVM可以更好地建模ELM能夠解決的有限范圍的問題。唯一的反駁是使用"隨機內(nèi)核"而不是專用內(nèi)核的計算效率，因為SVM是眾所周知的高功率模型。ELM可能帶來的性能降低是否值得，這是另一個討論。

> One way to compare ELMs and SVMs.

然而，無論是否像ELM一樣，根據(jù)經(jīng)驗，在簡單的神經(jīng)網(wǎng)絡(luò)中使用隨機投影或過濾器以及其他模型都已證明在MNIST等各種(現(xiàn)在被認(rèn)為是"簡單")標(biāo)準(zhǔn)訓(xùn)練任務(wù)中表現(xiàn)出色。盡管這些性能不是一流的，但經(jīng)過如此嚴(yán)格審查并且其概念幾乎被認(rèn)為是荒唐可笑的體系結(jié)構(gòu)，可以通過最新的神經(jīng)網(wǎng)絡(luò)在排行榜上獨占edge頭–此外，它具有更輕量級的體系結(jié)構(gòu)和較小的計算量–至少是令人感興趣的。

為什么使用固定的隨機連接有效?

這是一百萬美元的問題：很明顯，如果ELM的性能與普通的反向傳播神經(jīng)網(wǎng)絡(luò)一樣好(甚至更好)，那么ELM中具有隨機連接的某些功能就可以正常工作。雖然它的數(shù)學(xué)是不直觀的，但原始的《極限學(xué)習(xí)機器》論文的作者光斌煌，舉例說明了這個概念(針對語言，簡潔性和深度學(xué)習(xí)的相似性進(jìn)行了編輯)：

您要用石頭填滿一個湖，直到用石頭而不是水填滿一個水平表面，然后您才能看到空湖的底部，這是一條曲線(代表數(shù)據(jù)的函數(shù))。工程師仔細(xì)計算了湖泊的大小，填滿湖泊的石頭的大小，以及在優(yōu)化任務(wù)中起作用的眾多其他小因素。(優(yōu)化適合該功能的許多參數(shù)。)

> A bad but acceptable job of filling stones into the lake.

另一方面，農(nóng)村農(nóng)民炸毀附近的山，開始扔掉或推下掉進(jìn)湖里的巖石。當(dāng)農(nóng)村農(nóng)民撿起一塊石頭(隱藏層節(jié)點)時，他不需要知道湖的大小或石頭的大小，他只是隨意地扔石頭并將石頭散布開來。如果某個區(qū)域的巖石開始堆積在地表上方，則農(nóng)夫會用錘子將其砸碎(β參數(shù)-各種規(guī)則化處理)，以平整地表。

盡管工程師仍在計算巖石的高度和體積以及湖泊的形狀，但農(nóng)夫已經(jīng)填滿了湖泊。對于農(nóng)夫來說，扔多少塊石頭都沒關(guān)系：他可以更快地完成工作。

盡管這種類比在不同場景的直接應(yīng)用中存在一些問題，但這是對ELM的本質(zhì)以及隨機性在模型中扮演的角色的直觀解釋。ELM的本質(zhì)在于，天真并不總是一件壞事：簡單的解決方案可能能夠更好地解決不太復(fù)雜的問題。

關(guān)鍵點

• 極限學(xué)習(xí)機使用固定的隨機第一層和可訓(xùn)練的第二層。這本質(zhì)上是隨機投影，然后是多元回歸。
• ·支持者說，ELM能夠在簡單的場景(如MNIST)中以非常少的示例很快地學(xué)習(xí)，其優(yōu)點是易于編程，并且無需選擇諸如體系結(jié)構(gòu)，優(yōu)化器和損耗之類的參數(shù)。另一方面，反對者認(rèn)為，SVM在這些情況下會更好，ELM不適合解決更復(fù)雜的問題，并且它只是對一個非常古老的想法進(jìn)行了重新命名。
• ELM通常在復(fù)雜任務(wù)上表現(xiàn)不佳，但事實證明它可以在較簡單的任務(wù)上表現(xiàn)良好，這是探索更多輕量級體系結(jié)構(gòu)，非反向傳播模型擬合和隨機投影世界的一個很好的理由。至少，極限學(xué)習(xí)機(或您想在其下打上這個名字的任何名稱)是每個深度學(xué)習(xí)愛好者都應(yīng)該知道的有趣的想法。

您對ELM有何看法?