概述
双下降是一个令人惊讶的观察结果，即随着模型变大，测试误差首先在“插值阈值”附近变得更糟，但随后又变得更好——这违背了经典教科书的权衡。这很重要，因为它有助于解释为什么巨大的、过度参数化的神经网络能够很好地泛化而不是过度拟合。
双下降现象位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
经典统计学告诉我们一条 U 形曲线：随着模型复杂性的增加，测试误差下降，触底，然后随着模型过度拟合而上升。双下降法由 Belkin、Hsu、Ma 和 Mandal 在 2019 年推广，并由 OpenAI 进行了大规模研究，表明曲线有第二次下降。测试误差在插值阈值处达到峰值，即模型具有足够参数来准确拟合每个训练点（零训练误差）的点。如果将其推入过度参数化的状态，测试误差会再次下降，通常低于经典的最佳点。同样的效果出现在模型大小、训练时间（“epoch-wise”双下降）和数据集大小上。它重新构建了“更多参数总是意味着过度拟合”这一古老的担忧。
技术洞察
在插值阈值处，本质上存在一种完全适合数据的解决方案，并且它被迫呈锯齿状和高范数，因此泛化能力很差。在过度参数化的情况下，存在无限多个零误差解，并且梯度下降的隐式偏差趋向于最平滑、最低范数的解。对低复杂度插值器的偏好（而不是参数计数本身）是推动第二次下降以降低测试误差的原因。
掌握双下降现象
双下降是一个令人惊讶的观察结果，即随着模型变大，测试误差首先在“插值阈值”附近变得更糟，但随后又变得更好——这违背了经典教科书的权衡。这很重要，因为它有助于解释为什么巨大的、过度参数化的神经网络能够很好地泛化而不是过度拟合。双下降现象位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将双下降现象视为一种操作模型，而不是单一特征：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用双下降现象的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
解释为什么 1750 亿参数的语言模型尽管容量大得多，但比精心调整的中型语言模型具有更好的泛化能力
选择训练超过验证损失暂时恶化的点，因为历元双下降预测稍后的恢复
诊断视觉模型，当参数数量与训练集大小匹配时，该模型的准确性会下降，然后引导其更深入地过度参数化
在 AutoML 中告知模型大小决策，以便从业者避免脆弱的插值阈值区域
实施模式
实践中的双重下降现象
解释为什么 1750 亿个参数的语言模型尽管容量大得多，但比精心调整的中型语言模型具有更好的泛化能力。
解释为什么拥有 1750 亿个参数的语言模型在容量大得多的情况下比精心调整的中型语言模型具有更好的泛化能力。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的双重下降现象
选择训练超过验证损失暂时恶化的点，因为历元双下降预测稍后的恢复。
选择训练超过验证损失暂时恶化的点，因为按时代的双下降预测稍后的恢复团队通常会在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时获得更好的结果。
实践中的双重下降现象
诊断一个视觉模型，当参数数量与训练集大小匹配时，该模型的准确性会下降，然后引导其更深入地过度参数化。
诊断视觉模型，当参数计数与训练集大小匹配时，其准确性会完全下降，然后引导其更深入地过度参数化。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的双重下降现象
在 AutoML 中告知模型大小决策，以便从业者避免脆弱的插值阈值区域。
在 AutoML 中告知模型大小决策，以便从业者避免脆弱的插值阈值区域 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录双下降现象在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录双下降现象在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。