[20210718] Weekly AI ArXiv 만담

[jungwoo-ha]

• AI News

  • EMNLP 2021 - Rebuttal 종료: 수고 많으셨습니다. 모두들 Good luck!
  • NeurIPS 2021 - Review 종료
  • NVidia Jetson developer meetup (21. 7. 22)
  • Google ML 부트캠프 모집 시작 (~ 8.2): https://events.withgoogle.com/google-developers-mlb-kr-2021/
  • OpenAI disbands its robotics research team
  • Max Welling Qualcomm AI Research 떠나다 (https://www.linkedin.com/posts/max-welling-4a783910_it-is-with-gratitude-that-i-announce-my-resignation-activity-6821705740051333120-oMHh)

• AI ArXiv

  • Blender Bot 2.0

  • 기존 GPT3 나 Blender Bot 1.0의 다양한 문제 해결: 기억의 한계 (token window 제한), hallucination, world knowledge 등

  • Internet search + long-term memory

  • ParlAI platform 기반

  • Industry and Academic Research in Computer Vision

  • 2010 ~ 2019 10년간 CVPR, ICCV, ECCV, ACCV, BMVC 논문 모두 조사

  • AI 연구의 무게 중심이 학계 --> 산업계로 점점이동 (Stanford AI report에도 비슷한 경향)

  • Top100 페이퍼는 산업계 비중이 더 큰 경우가 많음. (데이터, 인프라, 사람 모두)

  • 2020년 이후는 이런 경향이 더욱 심화

  • 결론: 산업계와 학계가 더욱 강력한 콜라보레이션을 해야합니다. (e.g. 네이버의 서울대, 카이스트 AI 연구센터)

  • ViTGAN: Training GANs with Vision Transformers

  • Pure Transformer (ViT) 기반의 GAN 모델

  • HiT가 MHSA 구조를 수정을 한 것인 반면 ViTGAN은 기본적인 MHSA를 그대로 활용하되 Layer Norm을 수정하고 decoding에서 Fourier embedding 기반의 implicit neural representation 기법을 활용한 것으로 보임

  • Latent z는 styleGAN처럼 mapping network으로 w로 변경하고 w를 LN에 활용하는 SLN 제안

  • 아쉽다면 생성된 이미지 해상도가 좀 작은 것이...

  • ERNIE 3.0: Large-scale Knowledge Enhanced Pre-training for Language Understanding and Generation

  • 기존 autoregressive 모델이 NLU finetuing에 다소 효과가 떨어짐

  • 대량의 plain text + knowledge graph도 함께

  • 10B 파라미터에 4T 규모의 텍스트 데이터 + KG를 학습

  • 수렴속도를 위해 progressive learning 도 제안

  • FLEX: Unifying Evaluation for Few-Shot NLP

  • Few-shot NLP task를 위한 벤치마크, 리더보드, 성능평가 방법까지 (from AI2)

  • GPT3포함 초대규모 언어모델 활용위해 in context few-shot이나 prompt optimization 기반의 few-shot 성능 평가가 많지만 사실 hyperparamter 설정을 대규모 데이터로 하다보니 실제 few-shot과는 거리가 있음.

  • https://github.com/allenai/flex

  • Randomized ReLU Activation for Uncertainty Estimation of Deep Neural Networks

  • Uncertainty를 Randomized ReLU로 향상 시키려는 시도

  • RReLU: -부분을 랜덤하게 coefficient

  • DropReLU: 랜덤하게 linear 였다가 ReLU 였다가

  • MC-dropout과 비교 acc는 모르겠지만 ECE는 개선된다고..

  • Spanish Language Models

  • 스페인어 RoBERTa-base 와 large 모델

  • 스페인어권 혹은 스페인어사용 국가 (남미 등) 진출을 원하시는 AI기업은 활용하시면 좋겠네요.

  • 허깅페이스: https://huggingface.co/BSC-TeMU/roberta-base-bne

  • AFHQ-v2 dataset: https://github.com/clovaai/stargan-v2

[Kyung-Min]

Papers

• Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users

  • Cross-domain Recommendation을 하는 기존 방식은 source/target domain의 overlapping users에 대해 두 도메인들에서 계산된 임베딩을 가까이해주는 함수 f를 학습하는 것이었음 f(emb(user_s)) <-> emb(user_t)
  • 이 경우 함수 f는 overlapping users에 대해서 biased 되기 쉽다는 문제가 생김
  • 그래서 transfer-meta framework를 제안
  • transfer stage에서는 overlapping user 외에 모든 source/target domain users를 pre-train하자는 내용
  • meta stage에서는 함수 f를 계산할 때 gradient를 overlapping user의 source/target domain에서 embedding 오차로부터 계산하지 않고, 실제 target domain의 cold user들에 대해 발생하는 downstream task loss로부터 계산하자는 내용 (MAML style)

• Tabular Data: Deep Learning is Not All You Need

  • 정글의 세계와 같은 real-world structured data에 대해 딥러닝 모델들이 얼마나 잘하고 있는지 평가 (물론 이보다 더 한 야생의 세계는 많이 있긴하지만)
  • Tabular data를 다루기 위해 여러가지 deep learning methods가 제안되었지만, 논문에 사용된 것 외 다른 데이터셋에 테스트해보면 베이스라인 (XGBoost) 보다 못하다.
  • 실험에서는 캐글에 공개된 11개 데이터셋에 대해 4개 딥모델과 XGBoost 성능을 비교
  • 물론 모든 모델에 대해 HPO를 수행
  • XGBoost와 deep models를 ensemble하면 best 성능을 낼 수 있었다.
  • mse 성능비교표
  • 

• Learning to Embed Categorical Features without Embedding Tables for Recommendation

  • 추천시스템에서 user/item id feature를 쓰면 크기가 매우 큰 임베딩 look-up 테이블을 만들어야함 -> 매우 큰 메모리 필요
  • 이를 해결하기 위해 여러개 (∼1000)의 hash function을 사용하여 initial id를 임베딩해주고, learnable한 Neural Net layer로 여러번 transformation해주는 Deep Hash Embedding 제안
  • Wide & shallow emb (기존 one-hot encoding) <-> deep emb (proposed)
  • Generalization ability를 높이기 위해서 side information도 활용
  • 

• What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation

  • Pretrained language model (PLM)을 추천모델에 접목시키고자 했던 첫번째 논문
  • BERT를 Wiki, BookCorpus 등으로 학습시키고 finetuning하지 않았을 때, 기본적으로 책,영화, 그리고 음악에 대해서 얼마나 잘 알고 있는지 테스트 (probing)
  • Content-based와 collaborative-based 두 가지 측면에서 PLM을 테스트했을 때 content-based type 문제를 더 잘 풀 수 있었음
  • 더 나아가서 PLM을 사용해서 conversational recommender system을 다운스트림 태스크로 풀었을 때 성능을 올릴 수 있는 방법으로 multi-task learning 제안

  • News

• DeepMind에서 protein의3D structure를 에측할 수 있는 AlphaFold v2 코드 공개

[ghlee3401]

Paper

• DPCRN: Dual-Path Convolution Recurrent Network for Single Channel Speech Enhancement

  • Accepted by Interspeech 2021 DNS(Deep Noise Suppression), MOS 3.57 기록.
  • Goal : 긴 길이를 가지는 speech sequence에 대한 speech enhancement
  • Method :
    1. dual-path RNN (DPRNN)과 Convolution Recurrent Network (CRN)을 결합하여 DPRNN (Dual-path Convolution Recurrent Network) 모델을 설계
    2. 긴 시퀀스를 작은 chunk로 split하고 intra-chunk & inter-chunk에 RNN을 적용

• Dance2Music: Automatic Dance-driven Music Generation

  • 데모 :
    • https://sites.google.com/view/dance2music/live-demo
    • https://sites.google.com/view/dance2music
  • Goal : 춤이 주어졌을 때 자동으로 음악을 생성
  • Problem : 기존에는 음악이 주어졌을 때 춤을 생성하는 방법에 대해서 논의가 되었지만 그 반대는 연구가 되지 않았음
  • Method :
    1. Offline approach 와 Online approach로 나뉨
    2. Offline : 댄스 비디오와 음악이 존재하는 상황
    3. Online : 댄스 비디오를 neural net의 input으로 주고 음악을 생성하는 경우 (5개의 note 중에 하나의 note를 예측)

[hollobit]

DeepMind’s AI for protein structure is coming to the masses (Nature)

• https://doi.org/10.1038/d41586-021-01968-y
• 같은 날짜에 nature와 sicence에 동시에 논문 발표, 동시에 오픈소스 공개
• 7/1에 오픈한 RoseTTAFold는 140개 이상의 독립적인 연구 팀이 GitHub에서 이 프로그램을 다운로드

Highly accurate protein structure prediction with AlphaFold (Nature)

• https://www.nature.com/articles/s41586-021-03819-2

• https://github.com/deepmind/alphafold (7/15)

  Accurate prediction of protein structures and interactions using a three-track neural network (Science)

• https://science.sciencemag.org/content/early/2021/07/14/science.abj8754
• http://scimonitors.com/%EC%83%88%EB%A1%9C%EC%9A%B4-ai-%EB%8B%A8%EB%B0%B1%EC%A7%88-%EA%B5%AC%EC%A1%B0-%EC%98%88%EC%B8%A1-10%EB%B6%84-%EB%A7%8C%EC%97%90-%EA%B3%84%EC%82%B0/
• https://github.com/RosettaCommons/RoseTTAFold (7/1)

Evaluating Large Language Models Trained on Code

• https://arxiv.org/abs/2107.03374

  • OpenAI에서 소프트웨어 소스 코드를 생성하는 딥 러닝 모델인 Codex에 대한 세부 정보를 공개
  • “no free lunch” theorem (NFL) - 일반화와 성능의 상쇄효과
  • 평가 문제에 대해 3억개 파라미 Codex는 13.2 % 해결, 120억개 파라미터 모델은 28.8% 해결
  • 그러나 GPT-3의 정식 버전은 1,750억 개의 매개변수인데도

IS GPT-3 OVERHYPED?

• https://www.bbntimes.com/science/is-gpt-3-overhyped

Austin commits to $1.5B for DOD’s Joint AI Center over next 5 years

• https://www.fedscoop.com/lloyd-austin-dod-jaic-funding/

  • more than 600 AI projects

중동 지역은 차세대 AI 허브가 될 수 있을 것인가

• http://www.aitimes.com/news/articleView.html?idxno=139663

인공지능 시대 사기의 아이콘 된 AI 투자

• https://www.mk.co.kr/opinion/columnists/view/2021/07/669930/

중국 인공지능 특허량 세계 1위

• https://news.joins.com/article/24107239
• 인공지능 관련 특허 출원 상위 3개국은 중국, 미국, 일본. 특히 중국 상하이의 인공지능 관련 특허 출원 건수는 4만 2000건을 넘어섰으며 그 중 유효 특허는 9400건

[veritas9872]

What Classifiers Don't Know What They Don't? https://arxiv.org/abs/2107.06217 https://github.com/facebookresearch/uimnet

Facebook에서 Model Uncertainty 및 Calibration에 대해 다양한 방법을 비교한 실험 논문입니다. 아직 GitHub는 공란이고 대표할만한 그림이 없는 것이 단점입니다.

ImageNot Dataset이라는 ImageNet을 ResNet18의 feature를 기준으로 OOD로 나눈 데이터셋을 구별하고 in-distribution과 out-of-distribution data에 대해 최근 제시된 다양한 방법들을 비교합니다. 결론은 하나의 모델에서 multi-input multi-output 방식의 TTA를 진행하거나 여러 calibrated된 model을 ensemble (bagging)하는 방법을 사용하는 것을 권장하는 내용입니다.

Passive attention in artificial neural networks predicts human visual selectivity https://arxiv.org/abs/2107.07013

Deep Mind에서 CAM 등 soft-attention 방법들과 실제 인간의 시각 등 확인하는 영역이 일치하는지 실험적으로 확인하는 심리학과와의 협업 논문입니다. Deep Learning Theory 보다는 인간의 attention과 Deep Learning의 attention이 일치하는지 확인하는 논문입니다.

Per-Pixel Classification is Not All You Need for Semantic Segmentation https://arxiv.org/abs/2107.06278

Facebook 에서 pixel-level classification이 아닌 mask prediction을 기존 architecture에 바로 사용할 수 있도록 구현한 새로운 방법론입니다. Segmentation 을 하시는 분들께 도우이 될 것 같아 공유드립니다. Facebook에 의하면 현재 ADE20K에서 SOTA라고 합니다.

Revisiting the Calibration of Modern Neural Networks https://arxiv.org/abs/2106.07998 https://github.com/google-research/robustness_metrics/tree/master/robustness_metrics/projects/revisiting_calibration Google에서 MLP-Mixer, ViT 등 최신 architecture에서는 CNN과는 달리 miscalibration issue가 발생하지 않는다는 실험 논문입니다. Miscalibration에 대해 문제가 많은 경우 참조할 수 있는 논문으로 생각됩니다.

Fully Sharded Data Parallel: faster AI training with fewer GPUs https://engineering.fb.com/2021/07/15/open-source/fsdp/ Facebook Engineering에서 Multi-GPU를 latency issue 없이 model 변형 없이 학습을 원활히 진행할 수 있는 FSDP라이브러리를 공개했습니다. PyTorch Lightning에서 1.4부터 사용할 수 있는 것으로 알고 있습니다. DeepSpeed와 유사하지만 PyTorch와 호환이 더 좋을 것으로 생각됩니다.

[jwlee-ml]

Papers

• Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users

  • Cross-domain Recommendation을 하는 기존 방식은 source/target domain의 overlapping users에 대해 두 도메인들에서 계산된 임베딩을 가까이해주는 함수 f를 학습하는 것이었음 f(emb(user_s)) <-> emb(user_t)
  • 이 경우 함수 f는 overlapping users에 대해서 biased 되기 쉽다는 문제가 생김
  • 그래서 transfer-meta framework를 제안
  • transfer stage에서는 overlapping user 외에 모든 source/target domain users를 pre-train하자는 내용
  • meta stage에서는 함수 f를 계산할 때 gradient를 overlapping user의 source/target domain에서 embedding 오차로부터 계산하지 않고, 실제 target domain의 cold user들에 대해 발생하는 downstream task loss로부터 계산하자는 내용 (MAML style)

• Tabular Data: Deep Learning is Not All You Need

  • 정글의 세계와 같은 real-world structured data에 대해 딥러닝 모델들이 얼마나 잘하고 있는지 평가 (물론 이보다 더 한 야생의 세계는 많이 있긴하지만)
  • Tabular data를 다루기 위해 여러가지 deep learning methods가 제안되었지만, 논문에 사용된 것 외 다른 데이터셋에 테스트해보면 베이스라인 (XGBoost) 보다 못하다.
  • 실험에서는 캐글에 공개된 11개 데이터셋에 대해 4개 딥모델과 XGBoost 성능을 비교
  • 물론 모든 모델에 대해 HPO를 수행
  • XGBoost와 deep models를 ensemble하면 best 성능을 낼 수 있었다.
  • mse 성능비교표
  • 

• Learning to Embed Categorical Features without Embedding Tables for Recommendation

  • 추천시스템에서 user/item id feature를 쓰면 크기가 매우 큰 임베딩 look-up 테이블을 만들어야함 -> 매우 큰 메모리 필요
  • 이를 해결하기 위해 여러개 (∼1000)의 hash function을 사용하여 initial id를 임베딩해주고, learnable한 Neural Net layer로 여러번 transformation해주는 Deep Hash Embedding 제안
  • Wide & shallow emb (기존 one-hot encoding) <-> deep emb (proposed)
  • Generalization ability를 높이기 위해서 side information도 활용
  • 

• What does BERT know about books, movies and music? Probing BERT for Conversational Recommendation

  • Pretrained language model (PLM)을 추천모델에 접목시키고자 했던 첫번째 논문
  • BERT를 Wiki, BookCorpus 등으로 학습시키고 finetuning하지 않았을 때, 기본적으로 책,영화, 그리고 음악에 대해서 얼마나 잘 알고 있는지 테스트 (probing)
  • Content-based와 collaborative-based 두 가지 측면에서 PLM을 테스트했을 때 content-based type 문제를 더 잘 풀 수 있었음
  • 더 나아가서 PLM을 사용해서 conversational recommender system을 다운스트림 태스크로 풀었을 때 성능을 올릴 수 있는 방법으로 multi-task learning 제안

News

• DeepMind에서 protein의3D structure를 에측할 수 있는 AlphaFold v2 코드 공개

Regularization is all you Need: Simple Neural Nets can Excel on Tabular

좀 다른 의견의 논문인데 요것도 흥미있어 보입니다.

[jungwoo-ha]

AutoGluon: https://auto.gluon.ai/stable/index.html

[veritas9872]

AutoGluon Tabular 논문: https://arxiv.org/abs/2003.06505

[nick-jhlee]

The Benchmark Lottery

• Google Brain, Google Research, DeepMind
• "The benchmark lottery postulates that many factors, other than fundamental algorithmic superiority, may lead to a method being perceived as superior"
• benchmark로 성능 평가하는것의 한계점이 많다,,,
• Proposed benchmark checklist for reviewers/ACs:

[Clyde21c]

Conservative Objective Models for Effective Offline Model-Based Optimization ICML 21

• https://sites.google.com/berkeley.edu/coms
• offline 데이터셋을 활용해 regression 모델을 학습하여 optimization 문제를 풀때, 데이터 분포 밖에서 regression모델이 높은 값을 가지는걸 방지하고자 adversarial data에 대한 페널티를 loss에 추가
• offline Reinforcement Learning 방법(CQL; https://arxiv.org/pdf/2006.04779.pdf)의 응용
• 단백질, DNA sequence 최적화 문제에서 성능 검증 -> 두번째 좋은 방법보다 16% 높은 결과 (전체적으로 뚜렷하게 좋다는 느낌은 아니지만..)

[veritas9872]

LabML AI 링크 공유해드립니다. https://papers.labml.ai/papers/daily Arxiv Sanity와 유사하지만 웹사이트가 훨씬 안정적입니다.