本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

就在剛剛，UC伯克利博士、新加坡國立大學(xué)校長青年教授尤洋發(fā)布最新消息——

斬獲AAAI 2023杰出論文獎(jiǎng)（Distinguished Paper）！

研究成果一次性將模型的訓(xùn)練速度，提升72倍。

甚至網(wǎng)友在拜讀完論文之后發(fā)出感慨：

從12小時(shí)到10分鐘，嫩牛（你們牛）??！

尤洋博士曾在求學(xué)期間刷新ImageNet以及BERT訓(xùn)練速度的世界紀(jì)錄。

他所設(shè)計(jì)的算法也是廣泛應(yīng)用于谷歌，微軟，英特爾，英偉達(dá)等科技巨頭。

現(xiàn)如今，已經(jīng)回國創(chuàng)業(yè)潞晨科技一年半的他，帶著團(tuán)隊(duì)又做出了怎樣的算法，斬獲AI頂會如此殊榮呢？

訓(xùn)練時(shí)長從12小時(shí)到10分鐘

在這項(xiàng)研究中，尤洋團(tuán)隊(duì)提出了一種優(yōu)化策略CowClip，能夠加速CTR預(yù)測模型的大批量訓(xùn)練。

CTR（click-through rate）預(yù)測模型是個(gè)性化推薦場景下的一種常用算法。

它通常需要學(xué)習(xí)用戶的反饋（點(diǎn)擊、收藏、購買等），而每天在線產(chǎn)生的數(shù)據(jù)量又是空前龐大的。

因此，加快CTR預(yù)估模型的訓(xùn)練速度至關(guān)重要。

一般來說，提高訓(xùn)練速度會使用批量訓(xùn)練，不過批量太大會導(dǎo)致模型的準(zhǔn)確度有所降低。

通過數(shù)學(xué)分析，團(tuán)隊(duì)證明了在擴(kuò)大批次時(shí)，對于不常見特征的學(xué)習(xí)率（learning rate for infrequent features)不應(yīng)該進(jìn)行縮放。

通過他們提出的CowClip，可以簡單有效擴(kuò)展批大小。

通過在4個(gè)CTR預(yù)估模型和2個(gè)數(shù)據(jù)集上進(jìn)行測試，團(tuán)隊(duì)成功將原始批大小擴(kuò)大了128倍，并沒有造成精度損失。

特別是在DeepFM上，通過將批大小從1K擴(kuò)大到128K，CowClip實(shí)現(xiàn)了AUC超過0.1%的改進(jìn)。

并在單塊V100 GPU上，將訓(xùn)練時(shí)長從原本的12小時(shí)，縮短至只需10分鐘，訓(xùn)練提速72倍。

目前，項(xiàng)目代碼已開源。團(tuán)隊(duì)表示該算法也適用于NLP等任務(wù)。

團(tuán)隊(duì)介紹

本文的一作是尤洋的博士生鄭奘巍，本科畢業(yè)于南京大學(xué)計(jì)算機(jī)精英班，博士畢業(yè)于新加坡國立大學(xué)。

其研究方向包括機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺和高性能計(jì)算。