擴(kuò)散模型，迎來了一項(xiàng)重大新應(yīng)用——

像Sora生成視頻一樣，給神經(jīng)網(wǎng)絡(luò)生成參數(shù)，直接打入了AI的底層！

這就是新加坡國立大學(xué)尤洋教授團(tuán)隊(duì)聯(lián)合UCB、Meta AI實(shí)驗(yàn)室等機(jī)構(gòu)最新開源的研究成果。

具體來說，研究團(tuán)隊(duì)提出了一種用于生成神經(jīng)網(wǎng)絡(luò)參數(shù)的擴(kuò)散模型p(arameter)-diff。

用它來生成網(wǎng)絡(luò)參數(shù)，速度比直接訓(xùn)練最多提高44倍，而且表現(xiàn)毫不遜色。

這一模型一經(jīng)發(fā)布，就迅速在AI社區(qū)引發(fā)強(qiáng)烈討論，圈內(nèi)人士對(duì)此的驚嘆，毫不亞于普通人看到Sora時(shí)的反應(yīng)。

甚至有人直接驚呼，這基本上相當(dāng)于AI在創(chuàng)造新的AI了。

就連AI巨頭LeCun看了之后，也點(diǎn)贊了這一成果，表示這真的是個(gè)cute idea。

而實(shí)質(zhì)上，p-diff也確實(shí)具有和Sora一樣重大的意義，對(duì)此同實(shí)驗(yàn)室的Fuzhao Xue（薛復(fù)昭）博士進(jìn)行了詳細(xì)解釋：

Sora生成高維數(shù)據(jù)，即視頻，這使得Sora成為世界模擬器（從一個(gè)維度接近AGI）。

而這項(xiàng)工作，神經(jīng)網(wǎng)絡(luò)擴(kuò)散，可以生成模型中的參數(shù)，具有成為元世界級(jí)學(xué)習(xí)器/優(yōu)化器的潛力，從另一個(gè)新的重要維度向AGI邁進(jìn)。

言歸正傳，p-diff到底是如何生成神經(jīng)網(wǎng)絡(luò)參數(shù)的呢？

將自編碼器與擴(kuò)散模型結(jié)合

要弄清這個(gè)問題，首先要了解一下擴(kuò)散模型和神經(jīng)網(wǎng)絡(luò)各自的工作特點(diǎn)。

擴(kuò)散生成過程，是從隨機(jī)分布到高度特定分布的轉(zhuǎn)變，通過復(fù)合噪聲添加，將視覺信息降級(jí)為簡單噪聲分布。

而神經(jīng)網(wǎng)絡(luò)訓(xùn)練，同樣遵循這樣的轉(zhuǎn)變過程，也同樣可以通過添加噪聲的方式來降級(jí)，研究人員正是在這一特點(diǎn)的啟發(fā)之下提出p-diff方法的。

從結(jié)構(gòu)上看，p-diff是研究團(tuán)隊(duì)在標(biāo)準(zhǔn)潛擴(kuò)散模型的基礎(chǔ)之上，結(jié)合自編碼器設(shè)計(jì)的。

研究者首先從訓(xùn)練完成、表現(xiàn)較好的網(wǎng)絡(luò)參數(shù)中選取一部分，并展開為一維向量形式。

然后用自編碼器從一維向量中提取潛在表示，作為擴(kuò)散模型的訓(xùn)練數(shù)據(jù)，這樣做可以捕捉到原有參數(shù)的關(guān)鍵特征。

訓(xùn)練過程中，研究人員讓p-diff通過正向和反向過程來學(xué)習(xí)參數(shù)的分布，完成后，擴(kuò)散模型像生成視覺信息的過程一樣，從隨機(jī)噪聲中合成這些潛在表示。

最后，新生成的潛在表示再被與編碼器對(duì)應(yīng)的解碼器還原成網(wǎng)絡(luò)參數(shù)，并用于構(gòu)建新模型。

下圖是通過p-diff、使用3個(gè)隨機(jī)種子從頭開始訓(xùn)練的ResNet-18模型的參數(shù)分布，展示了不同層之間以及同一層不同參數(shù)之間的分布模式。

為了評(píng)估p-diff所生成參數(shù)的質(zhì)量，研究人員利用3種類型、每種兩個(gè)規(guī)模的神經(jīng)網(wǎng)絡(luò)，在8個(gè)數(shù)據(jù)集上對(duì)其進(jìn)行了測試。

下表中，每組的三個(gè)數(shù)字依次表示原始模型、集成模型和用p-diff生成的模型的測評(píng)成績。

結(jié)果可以看到，用p-diff生成的模型表現(xiàn)基本都接近甚至超過了人工訓(xùn)練的原始模型。

效率上，在不損失準(zhǔn)確度的情況下，p-diff生成ResNet-18網(wǎng)絡(luò)的速度是傳統(tǒng)訓(xùn)練的15倍，生成Vit-Base的速度更是達(dá)到了44倍。

額外的測試結(jié)果證明，p-diff生成的模型與訓(xùn)練數(shù)據(jù)有顯著差異。

從下圖（a）可以看到，p-diff生成的模型之間的相似度低于各原始模型之間的相似度，以及p-diff與原始模型的相似度。

而從（b）和（c）中可知，與微調(diào)、噪聲添加方式相比，p-diff的相似度同樣更低。

這些結(jié)果說明，p-diff是真正生成了新的模型，而非僅僅記憶訓(xùn)練樣本，同時(shí)也表明其具有良好的泛化能力，能夠生成與訓(xùn)練數(shù)據(jù)不同的新模型。

目前，p-diff的代碼已經(jīng)開源，感興趣的話可以到GitHub中查看。

論文地址：https://arxiv.org/abs/2402.13144

GitHub：https://github.com/NUS-HPC-AI-Lab/Neural-Network-Diffusion