Neural Networks can Learn Representations with Gradient Descent

TL;DR

本文证明神经网络通过梯度下降能学习高维低阶多项式表示,样本复杂度显著优于核方法。

cs.LG 🔴 高级 2022-06-30 55 次浏览
Alex Damian Jason D. Lee Mahdi Soltanolkotabi
深度学习 神经网络 表示学习 样本复杂度 迁移学习

核心发现

方法论

作者分析了两层神经网络在学习依赖少数特征方向的多项式函数中的表现。通过引入Hermite展开和平均Hessian矩阵的非退化假设,证明梯度下降能自动学习数据的潜在低维特征空间。核心算法包括随机初始化、梯度更新和头部回归,结合理论分析和样本复杂度界限,展示了超越核方法的学习能力。

关键结果

  • 在学习低阶多项式时,样本复杂度从d^p降低至d^2r+dr^p,显著优于dp的核方法需求。
  • 在迁移学习场景中,利用相同潜在特征空间的不同多项式目标,头部微调实现样本需求与特征维度r相关,独立于d。
  • 理论证明了非退化假设的必要性,违反则需dp/2样本,验证了模型特征学习的关键性。

研究意义

该研究突破了神经网络在高阶多项式学习中的理论瓶颈,揭示了深度网络自动学习数据潜在低维特征的机制,为深度学习的泛化和迁移能力提供理论支撑。相比核方法,神经网络能在少量样本下实现高阶函数的高效学习,推动了深度模型在复杂任务中的应用前沿。

技术贡献

提出了基于Hermite展开和平均Hessian非退化条件的分析框架,证明梯度下降在学习依赖少数特征的多项式函数中具有优越的样本复杂度。引入代表性特征学习机制,突破了NTK/线性化的局限,提供了深度网络自动特征提取的理论基础。还证明了迁移学习中微调策略的样本效率,丰富了深度学习的理论体系。

新颖性

首次系统性证明神经网络在超越核方法的条件下,能高效学习依赖少数特征的高阶多项式。区别于传统NTK分析,该研究强调非退化条件和特征学习的关键作用,揭示了深度网络的潜在优势。提出的理论模型和样本复杂度界限,为深度学习的泛化和迁移提供了新视角。

局限性

  • 假设数据为高斯分布,实际应用中可能受限。
  • 模型依赖特定的非退化条件,复杂函数可能难以满足。
  • 分析主要针对低阶多项式,复杂函数的泛化能力仍需验证。

未来方向

未来将扩展到非高斯分布、非线性特征和更复杂函数类的学习分析,探索深度网络在实际任务中的表现。同时,研究多层网络的特征学习机制和优化动力学,推动深度学习理论的进一步完善。

AI 总览摘要

深度学习在实际应用中展现出超越传统核方法的强大能力,但其理论基础仍不完善。本文通过分析两层神经网络在学习依赖少数特征的高阶多项式中的表现,揭示了梯度下降自动学习数据潜在低维特征的机制。利用Hermite展开和平均Hessian非退化假设,作者证明了在样本复杂度方面,神经网络远优于核方法,尤其是在学习高阶多项式时,从d^p降至d^2r+dr^p。更令人振奋的是,在迁移学习场景中,只需微调头部参数,即可实现样本需求与潜在特征维度r相关,独立于高维输入空间d。这一发现不仅丰富了深度学习的理论体系,也为实际应用提供了新思路。研究强调,深度网络通过非线性特征学习突破了NTK/线性化的限制,展现出强大的泛化和迁移能力。尽管如此,研究仍假设数据为高斯分布,模型依赖特定非退化条件,未来需扩展到更复杂的场景。总体而言,该工作为深度学习的理论理解提供了重要突破,推动其在高阶函数学习和迁移中的应用前景。

深度解读

原文摘要

Significant theoretical work has established that in specific regimes, neural networks trained by gradient descent behave like kernel methods. However, in practice, it is known that neural networks strongly outperform their associated kernels. In this work, we explain this gap by demonstrating that there is a large class of functions which cannot be efficiently learned by kernel methods but can be easily learned with gradient descent on a two layer neural network outside the kernel regime by learning representations that are relevant to the target task. We also demonstrate that these representations allow for efficient transfer learning, which is impossible in the kernel regime. Specifically, we consider the problem of learning polynomials which depend on only a few relevant directions, i.e. of the form $f^\star(x) = g(Ux)$ where $U: \R^d \to \R^r$ with $d \gg r$. When the degree of $f^\star$ is $p$, it is known that $n \asymp d^p$ samples are necessary to learn $f^\star$ in the kernel regime. Our primary result is that gradient descent learns a representation of the data which depends only on the directions relevant to $f^\star$. This results in an improved sample complexity of $n\asymp d^2 r + dr^p$. Furthermore, in a transfer learning setup where the data distributions in the source and target domain share the same representation $U$ but have different polynomial heads we show that a popular heuristic for transfer learning has a target sample complexity independent of $d$.

cs.LG cs.IT stat.ML