
154
0
1
2
3
3
深層学習における超多パラメータ最適化
3.1.3項の「最適化のパラメータも次元の呪い」において、最適化のパラメー
タ数が増えると探索空間が広大になり、最適解を得ることが困難になると説
明しました。一方で、今日の深層学習の学習パラメータの数は、数百万~数
兆と非常に膨大です。このような膨大なパラメータが作る超高次元空間で、
深層学習モデルの予測精度が最も高くなる最適解(パラメータ値の組合せ)
を探すのは、絶望的に難しく思われます。しかし、皆さんが目にするAI の予
測精度は非常に高く、学習パラメータの最適化が問題なく行われていること
がわかります。この深層学習における超多パラメータ最適化がうまく行く理
由は、大きく2つあり、なぜ深層学習が高い性能を発揮できるかともつな
がっていると考えられています。
一つ目の理由は、ニューラルネットワークの学習において目的関数が凸関数
で十分なニューロン数が存在する(自由度が高い)場合には、ニューロン数
が限られている場合に局所的最適解(ローカルミニマム)に見えたものは高
次元では接続しており、大域的最適解にもつながっていることです
[ 1 ]
。した
がって、自由度を高くすることでローカルミニマムに解がトラップされず
(ただし、平坦な場所は多く存在する)、大域的最適解にたどり着くことがで
きると言われています。
二つ目の理由は、ニューラルネットワークの学習パラメータが作る超多パラ
メータの最適化空間では、学習パラメータの初期値のすぐ近くに最適解が存
在することです
[