Asynchronous-Parallel Sharpness-Aware Minimization for Efficient Deep Learning

날카로움-인지 최소화 기법(SAM)은 기계학습 모델의 일반화 성능을 향상하는 최적화 기법이지만 모델 교란을 위한 높은 계산 비용으로 인해 실제 응용에 널리 사용되고 있지 않다. 본 논문은 모델교란과 모델 업데이트 간의 데이터 의존성을 제거하는 비동기 병렬화 기술을 통해 기울기 크기를 효율적으로 감소시키는 새로운 비동기 병렬 SAM 기법을 제안한다. 비동기 SAM은 시스템 성능에 따라 교란 배치 크기를 조절함으로써, CPU-GPU와 같은 이종 자원을 효과적으로 활용해 정확도 손실없이 모델 교란에 소요되는 시간을 완전히 은닉한다. 제안한 기술은 CIFAR, Oxford Flowers102 등의 벤치마크에서 SGD 대비 평균 1-4%p 높은 정확도를 보이며, 전통적인 SAM의 정확도를 상회한다. 또한, 최근 소개된 SAM의 변형 기술들과 유사한 정확도를 유지하면서, CIFAR-10/ResNet-20 실험에서는 SGD와 유사한 수준(약 1.02배)의 처리 속도를 보인다.