Grokking et généralisation retardée
Grokking est un phénomène surprenant dans lequel un réseau neuronal mémorise d'abord ses données d'entraînement, reste longtemps avec une précision de validation proche de zéro, puis se généralise soudainement longtemps après que la précision de l'entraînement ait atteint 100 %.
Aperçu
It overturns the intuition that learning and generalization happen together.
Plongée profonde
Découvert par des chercheurs de OpenAI en 2021 sur de petites tâches algorithmiques comme l'arithmétique modulaire, le grokking montre une courbe nette en deux phases. Au début, le modèle s'adapte parfaitement à l'ensemble d'entraînement tandis que les performances de validation restent aléatoires, semblant désespérément surajustées. Puis, après des milliers, voire des millions d’étapes supplémentaires sans progrès apparent, la précision de la validation passe brusquement à un niveau proche de la perfection. La principale explication est que la diminution du poids (régularisation) pousse lentement le réseau à abandonner une solution fragile mémorisée et à découvrir une solution compacte et structurée qui capture réellement la règle sous-jacente, par exemple représentant une addition modulaire sous forme de rotations sur un cercle. Grokking est plus visible sur de petits ensembles de données synthétiques, mais sa compréhension met en lumière les mécanismes plus profonds du moment et du pourquoi de la généralisation.
Aperçu technique
Des études mécanistes ont procédé à l'ingénierie inverse des réseaux grokés et ont découvert qu'ils implémentaient des algorithmes propres, tels que l'utilisation d'intégrations circulaires de type Fourier pour effectuer une arithmétique modulaire via des identités trigonométriques. La transition est en corrélation avec le fait que les poids du réseau deviennent plus clairsemés et de norme inférieure sous régularisation : la mémorisation nécessite des poids importants et irréguliers, tandis que le circuit de généralisation est plus simple. Grokking illustre ainsi une compétition entre une solution de mémorisation rapide à trouver et une solution de généralisation plus lente à former et plus efficace.
Impact stratégique
Décisions plus claires
Il vous aide à séparer les affirmations techniques claires du langage marketing.
Coût et budget
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
Équipe et flux de travail
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
L’avenir du Grokking et la généralisation retardée
Grokking est une fenêtre sur la science de la généralisation que les chercheurs espèrent développer. Les questions ouvertes incluent si la généralisation retardée se produit silencieusement dans les grands modèles, comment détecter ou accélérer la transition, et ce que cela implique pour savoir quand un modèle a réellement appris un concept par rapport aux exemples mémorisés. Les informations recueillies pourraient permettre d'améliorer la régularisation, les calendriers de formation et les outils d'interprétabilité, et pourraient aider à prédire les capacités émergentes dans les grands modèles de langage.
Mise en œuvre dans le monde réel
Étudier des tâches arithmétiques modulaires pour procéder à la rétro-ingénierie des circuits exacts qu'un réseau apprend
Démontrer comment la perte de poids entraîne le passage de la mémorisation à une véritable généralisation
Informer la recherche sur l'interprétabilité en fournissant des comportements de modèle clairs et entièrement compris à analyser
Avertir les praticiens que les premiers plateaux de validation ne signifient pas toujours qu'un modèle n'a pas réussi à apprendre
Risques et garde-fous
Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Feuille de route de mise en œuvre
Commencez par une définition en langage simple du résultat dont vous avez besoin.
Choisissez une mesure de réussite et une condition d’échec avant de tester.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
Documentez où Grokking et la généralisation retardée sont utiles et où les méthodes plus simples sont meilleures.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Grokking and Delayed Generalization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Régularisation
Questions fréquemment posées
What is Grokking and Delayed Generalization?
Grokking est un phénomène surprenant dans lequel un réseau neuronal mémorise d'abord ses données d'entraînement, reste longtemps avec une précision de validation proche de zéro, puis se généralise soudainement longtemps après que la précision de l'entraînement ait atteint 100 %. Cela renverse l’intuition selon laquelle l’apprentissage et la généralisation vont de pair.
Qu'est-ce qui définit le grokking dans la formation aux réseaux neuronaux ?
Grokking est le saut soudain vers de bonnes performances de validation qui se produit bien après que la précision de l'entraînement soit déjà à 100 %.
Sur quels types de tâches le grokking a-t-il été observé pour la première fois ?
Les chercheurs de OpenAI ont rapporté avoir travaillé en 2021 sur de petits problèmes algorithmiques synthétiques tels que l'addition modulaire.
Quel facteur est le plus souvent attribué à la transition vers la généralisation du grokking ?
La dégradation du poids éloigne progressivement le réseau d’une solution fragile mémorisée vers un circuit compact et généralisant.
Lorsque les chercheurs ont procédé à l'ingénierie inverse d'un réseau groked basé sur l'arithmétique modulaire, qu'ont-ils trouvé ?
L'interprétabilité mécaniste a révélé que le réseau avait appris des représentations trigonométriques et circulaires pour calculer l'arithmétique modulaire.
Pourquoi le grokking est-il décrit comme une compétition entre deux solutions ?
Les réseaux trouvent rapidement une solution de mémorisation mais, sous régularisation, finissent par converger vers un circuit généralisant plus simple.