概述
Grokking 是一种令人吃惊的现象，神经网络首先记住其训练数据，长时间保持接近于零的验证精度，然后在训练精度达到 100% 后很长一段时间内突然泛化。它颠覆了学习和泛化同时发生的直觉。
Grokking 和延迟泛化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
grokking 由 OpenAI 研究人员于 2021 年在模块化算术等小型算法任务中发现，它显示出尖锐的两相曲线。早期，该模型完美地拟合了训练集，而验证性能仍然不稳定，看起来无可救药地过度拟合。然后，在数千甚至数百万的额外步骤没有明显进展之后，验证准确性突然跃升至近乎完美。主要的解释是，权重衰减（正则化）慢慢地迫使网络放弃脆弱的记忆解决方案，并发现一种紧凑的、结构化的解决方案，该解决方案实际上捕获了基本规则，例如将模加法表示为圆上的旋转。 Grokking 在小型合成数据集上最为明显，但理解它可以揭示泛化何时以及为何出现的更深层机制。
技术洞察
Mechanistic 研究了逆向工程 grokked 网络，发现它们实现了干净的算法，例如使用类似傅立叶的圆形嵌入通过三角恒等式执行模块化算术。这种转变与正则化下网络权重变得更稀疏和更低范数相关：记忆需要大的、不规则的权重，而泛化电路更简单。因此，Grokking 说明了快速找到的记忆解决方案与形成较慢、更有效的泛化解决方案之间的竞争。
掌握 Grokking 和延迟泛化
Grokking 是一种令人吃惊的现象，神经网络首先记住其训练数据，长时间保持接近于零的验证精度，然后在训练精度达到 100% 后很长一段时间内突然泛化。它颠覆了学习和泛化同时发生的直觉。 Grokking 和延迟泛化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 Grokking 和延迟泛化视为一种操作模型，而不是单个功能：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 Grokking 和延迟泛化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
研究模块化算术任务以对网络学习的精确电路进行逆向工程
展示权重衰减如何推动从记忆到真正泛化的转变
通过提供清晰、完全理解的模型行为进行分析，为可解释性研究提供信息
警告从业者，早期验证停滞并不总是意味着模型无法学习
实施模式
实践中的摸索和延迟泛化
研究模块化算术任务，以对网络学习的精确电路进行逆向工程。
研究模块化算术任务以对网络学习的精确电路进行逆向工程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。
实践中的摸索和延迟泛化
展示权重衰减如何推动从记忆到真正泛化的转变。
展示权重衰减如何推动从记忆到真正泛化的转变 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跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的摸索和延迟泛化
通过提供清晰、完全理解的模型行为进行分析，为可解释性研究提供信息。
通过提供清晰、完全理解的模型行为来分析，为可解释性研究提供信息 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跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的摸索和延迟泛化
警告从业者，早期验证停滞并不总是意味着模型无法学习。
警告从业者，早期验证停滞并不总是意味着模型无法学习。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跟踪一段时间内的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 Grokking 和延迟泛化在哪些方面有帮助，以及哪些更简单的方法更好。
记录 Grokking 和延迟泛化在哪些方面有帮助，以及哪些更简单的方法更好。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。