چگونه مقداردهی اولیه خاویر از محو شدن و انفجار گرادیان‌ها در شبکه‌های عصبی عمیق جلوگیری می‌کند

هنگام ساخت یک مدل ساده یادگیری ماشین، تخصیص اعداد تصادفی به وزن‌های اولیه به‌خوبی کار می‌کند، زیرا سیگنال خطا پیش از به‌روزرسانی سیستم تنها باید از یک یا دو لایه به عقب برگردد. اما شبکه‌های عصبی عمیق در یک جنبه فاجعه‌بار متفاوت هستند: آن‌ها این وزن‌های تصادفی را در ده‌ها یا صدها لایه ضرب می‌کنند و عدم تعادل‌های جزئی اولیه را به خطاهای مرکب نمایی تبدیل می‌کنند. اگر شبکه‌ای با وزن‌هایی شروع به کار کند که به‌درستی مقیاس‌بندی نشده‌اند، پایه ریاضی فرآیند آموزش پیش از آنکه مدل بتواند حتی یک ویژگی را یاد بگیرد، فرو می‌ریزد. این آسیب‌پذیری ساختاری در گذشته عمق و قابلیت سیستم‌های اولیه هوش مصنوعی را به‌شدت محدود می‌کرد و پژوهشگران را مجبور می‌ساخت تا به معماری‌های کم‌عمقی تکیه کنند که قادر به درک الگوهای پیچیده در داده‌های با ابعاد بالا مانند تصاویر یا زبان انسان نبودند.[2][6]

مکانیسم این نوع خرابی در طول مسیر پس‌رو در آموزش شبکه عصبی به دو شکل متمایز بروز می‌کند. اگر وزن‌های اولیه از توزیعی انتخاب شوند که اندکی بیش از حد کوچک باشد، سیگنال خطا با عبور از هر لایه کسری از مقدار خود را از دست می‌دهد. تا زمانی که این سیگنال به لایه‌های اولیه یک شبکه ۱۰ لایه‌ای برسد، کاملاً به صفر محو می‌شود و گره‌های پایه‌ای را بدون هیچ راهنمای ریاضی برای بهبود رها می‌کند. در مقابل، اگر وزن‌های شروع اندکی بیش از حد بزرگ باشند، سیگنال به‌طور نمایی تقویت می‌شود تا جایی که از محدودیت‌های عددی رایانه فراتر می‌رود؛ یک خرابی فاجعه‌بار که به عنوان انفجار گرادیان‌ها شناخته می‌شود و فرآیند آموزش را فوراً متوقف می‌کند.[3][5]

پیش از سال ۲۰۱۰، این گلوگاه ریاضی شبکه‌های عصبی استاندارد را به عمق تقریباً پنج لایه محدود می‌کرد. پژوهشگران با استفاده از روش‌های پیچیده پیش‌آموزش بدون نظارت، مانند ماشین‌های بولتزمن محدود، این مشکل را دور می‌زدند تا پیش از شروع آموزش واقعی و سرتاسری، وزن‌های هر لایه را به‌دقت تنظیم کنند. این مقداردهی اولیه لایه‌به‌لایه به‌شدت کند، از نظر محاسباتی پرهزینه و بسیار شکننده بود و عملاً پیشرفت یادگیری عمیق را متوقف کرده و مانع از توسعه مدل‌های عظیم و چندلایه‌ای می‌شد که برای بینایی ماشین و پردازش زبان طبیعی مدرن ضروری هستند.[1]

پژوهشگران، خاویر گلوروت و یوشوا بنجیو، این گلوگاه را با در نظر گرفتن مسیرهای پیش‌رو و پس‌روی شبکه عصبی به‌عنوان یک مسئله دقیق واریانس حل کردند. آن‌ها در مقاله تأثیرگذار خود در سال ۲۰۱۰ نشان دادند که برای ثابت نگه‌داشتن سیگنال خطا در تعداد دلخواهی از لایه‌ها، واریانس آماری باید حفظ شود. همان‌طور که این پژوهشگران نوشتند، هدف این است که واریانس‌های فعال‌سازی و واریانس گرادیان‌های پس‌انتشاریافته در حین حرکت به بالا یا پایین شبکه حفظ شوند. اگر این نسبت واریانس ۱٫۰ حفظ شود، گرادیان می‌تواند بدون محو شدن در نیستی یا انفجار تا بی‌نهایت، به‌طور نامحدود در شبکه به عقب جریان یابد.[1][6]

فرمول ریاضی حاصل که اکنون در سطح جهانی با نام مقداردهی اولیه خاویر یا مقداردهی اولیه گلوروت شناخته می‌شود، وزن‌های شروع را از یک توزیع یکنواخت یا نرمال با یک واریانس محاسبه‌شده و مشخص استخراج می‌کند. این روش به‌جای استفاده از اعداد کوچک دلخواه، واریانس را دقیقاً برابر با ۲ تقسیم بر مجموع گره‌های ورودی و گره‌های خروجی برای همان لایه خاص تنظیم می‌کند. این الگوریتم با مقیاس‌بندی پویای وزن‌های اولیه نسبت به عرض هندسی دقیق لایه، تضمین می‌کند که لایه‌های عریض با هزاران اتصال، شبکه را با سیگنال‌های انبوه و عظیم تحت‌الشعاع قرار ندهند.[2][5]

تحلیل‌های نقطه ثابت اخیر روی شبکه‌هایی که از توابع فعال‌سازی Tanh استفاده می‌کنند، تأیید می‌کند که این مقداردهی اولیه یک ناحیه بسیار پایدار ایجاد می‌کند که در آن گرادیان‌ها می‌توانند به‌طور مؤثری منتشر شوند. پژوهشگران با نقشه‌برداری از مرزهای دقیق این منطقه پایداری، از نظر ریاضی ثابت کرده‌اند که چرا فرمول تجربی گلوروت در توپولوژی‌های مختلف شبکه تا این حد قابل‌اعتماد عمل می‌کند. این رویکرد دقیق مکانیک آماری به مهندسان اجازه می‌دهد تا دقیقاً پیش‌بینی کنند که چه زمانی یک معماری خاص شبکه در آموزش شکست می‌خورد و در نتیجه وابستگی به آزمایش‌های پرهزینه آزمون و خطا در هنگام طراحی سیستم‌های جدید هوش مصنوعی کاهش می‌یابد.[4]

اگرچه توابع فعال‌سازی جدیدتر مانند واحد خطی یکسو شده (ReLU) در نهایت به اصلاحاتی در این فرمول خاص نیاز داشتند که منجر به توسعه مقداردهی اولیه He توسط کایمینگ هه و همکارانش در سال ۲۰۱۵ شد، اصل بنیادین تطبیق واریانس که توسط گلوروت پایه‌گذاری شد، همچنان بستر اصلی یادگیری عمیق است. این درک که مقداردهی اولیه شبکه می‌تواند از طریق آمار تحلیلی به‌جای پیش‌آموزش اکتشافی حل شود، کل مسیر پژوهش‌های هوش مصنوعی را تغییر داد. این امر مستقیماً معماری‌های ۵۰ لایه‌ای ResNet و مدل‌های عظیم ترانسفورمر را که پلتفرم‌های هوش مصنوعی مولد امروزی را هدایت می‌کنند، امکان‌پذیر ساخت و ثابت کرد که اگر شرایط اولیه از نظر ریاضی منطقی باشند، شبکه‌های عمیق می‌توانند از صفر آموزش داده شوند.[2][6]

امروزه، در حالی که تکنیک‌هایی مانند نرمال‌سازی دسته‌ای و نرمال‌سازی لایه‌ای پایداری بیشتری را در طول فاز فعال آموزش فراهم می‌کنند، مقداردهی اولیه خاویر همچنان نقطه شروع پیش‌فرض در چارچوب‌های اصلی هوش مصنوعی مانند PyTorch و TensorFlow است. چالش مداوم برای طراحان سخت‌افزار و الگوریتم، حفظ این پایداری عددی دقیق در زمانی است که مدل‌ها از میلیاردها به تریلیون‌ها پارامتر گسترش می‌یابند. با حرکت صنعت به سمت معماری‌های پیچیده‌تر و غیراستاندارد، نیاز بنیادین به تعادل واریانس سیگنال از همان اولین چرخه محاسباتی، به همان اندازه سال ۲۰۱۰ حیاتی باقی مانده است.[6]