Model Ratatouille: Recycling Diverse Models for Out-of-Distribution Generalization

要約

基盤モデルは、AI システムの構築方法を再定義しています。
実践者は、機械学習ソリューションを構築するための標準的な手順に従います。つまり、事前にトレーニングされた基礎モデルから、関心のあるターゲット タスクの重みを微調整します。
そのため、インターネットには、多くの多様なタスクに合わせて微調整された少数の基盤モデルがあふれています。これらの個々の微調整は、相互に利益を得ることなく孤立して存在します。
私たちの意見では、これらの専門モデルには豊富で多様な機能が含まれているため、これは機会を逃したものです。
したがって、この論文では、さまざまな補助タスクで同じ基礎モデルの複数の微調整をリサイクルする新しい戦略であるモデル ラタトゥイユを提案します。
具体的には、ターゲット タスクで複数の並列微調整を行うための初期化として、これらの補助ウェイトを再利用します。
次に、微調整されたすべての重みを平均して、最終モデルを取得します。
このリサイクル戦略は、補助タスクの多様性を活用することにより、重量の多様性を最大化することを目的としています。
経験的に、分散外の一般化のためのリファレンス DomainBed ベンチマークの最新技術を向上させます。
この作業は、オープンソース ソフトウェア開発と同様に、コミュニティが協力して機械学習モデルを確実に更新する、更新可能な機械学習の新たなパラダイムに貢献します。

要約(オリジナル)

Foundation models are redefining how AI systems are built. Practitioners now follow a standard procedure to build their machine learning solutions: from a pre-trained foundation model, they fine-tune the weights on the target task of interest. So, the Internet is swarmed by a handful of foundation models fine-tuned on many diverse tasks: these individual fine-tunings exist in isolation without benefiting from each other. In our opinion, this is a missed opportunity, as these specialized models contain rich and diverse features. In this paper, we thus propose model ratatouille, a new strategy to recycle the multiple fine-tunings of the same foundation model on diverse auxiliary tasks. Specifically, we repurpose these auxiliary weights as initializations for multiple parallel fine-tunings on the target task; then, we average all fine-tuned weights to obtain the final model. This recycling strategy aims at maximizing the diversity in weights by leveraging the diversity in auxiliary tasks. Empirically, it improves the state of the art on the reference DomainBed benchmark for out-of-distribution generalization. Looking forward, this work contributes to the emerging paradigm of updatable machine learning where, akin to open-source software development, the community collaborates to reliably update machine learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google