WikiDer > Регуляризация (математика)

Regularization (mathematics)
Обе функции зеленого и синего не несут нулевые потери в данных точках. Обученная модель может быть склонена к предпочтению функции зеленого цвета, которая может лучше обобщаться на большее количество точек, извлеченных из основного неизвестного распределения, путем корректировки , вес члена регуляризации.

В математика, статистика, финансы[1], Информатика, особенно в машинное обучение и обратные задачи, регуляризация это процесс добавления информации для решения некорректно поставленная проблема или предотвратить переоснащение.[2]

Регуляризация применяется к целевым функциям в некорректных задачах оптимизации. Член регуляризации или штраф накладывает затраты на функцию оптимизации за переобучение функции или на поиск оптимального решения.

Классификация

Эмпирическое изучение классификаторов (из конечного набора данных) всегда является недооцененной проблемой, поскольку оно пытается вывести функцию любого приведены только примеры .

Срок регуляризации (или регуляризатор) добавлен в функция потерь:

куда - основная функция потерь, которая описывает стоимость прогнозирования когда этикетка , такой как квадратная потеря или же потеря петли; и - параметр, определяющий важность члена регуляризации. обычно выбирается, чтобы наложить штраф на сложность . Используемые конкретные понятия сложности включают ограничения на гладкость и границы норма векторного пространства.[3][страница нужна]

Теоретическое обоснование регуляризации состоит в том, что она пытается навязать бритва Оккама на решении (как показано на рисунке выше, где функция Грина, более простая, может быть предпочтительнее). Из Байесовский с точки зрения, многие методы регуляризации соответствуют наложению определенных прежний распределения по параметрам модели.[4]

Регуляризация может служить нескольким целям, включая изучение более простых моделей, сокращение количества моделей и введение групповой структуры.[требуется разъяснение] в проблему обучения.

Та же идея возникла во многих областях наука. Простая форма регуляризации, применяемая к интегральные уравнения, обычно называемый Тихоновская регуляризация после Андрей Николаевич Тихонов, по сути, является компромиссом между подбором данных и сокращением нормы решения. В последнее время появились методы нелинейной регуляризации, в том числе полная регуляризация вариаций, стали популярными.

Обобщение

Регуляризацию можно использовать как метод улучшения обобщения усвоенной модели.

Цель этой задачи обучения - найти функцию, которая соответствует или предсказывает результат (метку), которая минимизирует ожидаемую ошибку по всем возможным входам и меткам. Ожидаемая ошибка функции является:

куда и области входных данных и их этикетки соответственно.

Обычно в задачах обучения доступна только часть входных данных и меток, измеренных с некоторым шумом. Следовательно, ожидаемая ошибка неизмерима, и лучший доступный суррогат - это эмпирическая ошибка по сравнению с доступные образцы:

Без ограничений на сложность функционального пространства (формально воспроизводящее ядро ​​гильбертова пространства), будет изучена модель, которая не несет потерь на суррогатную эмпирическую ошибку. Если измерения (например, ) сделаны с шумом, эта модель может пострадать от переоснащение и отображать плохую ожидаемую ошибку. Регуляризация вводит штраф за исследование определенных областей функционального пространства, используемого для построения модели, что может улучшить обобщение.

Тихоновская регуляризация

При изучении линейной функции , характеризующийся неизвестным вектор такой, что , можно добавить -норма вектора выражению потерь, чтобы предпочесть решения с меньшими нормами. Это называется тихоновской регуляризацией, одной из наиболее распространенных форм регуляризации. Это также известно как регресс гребня. Это выражается как:

В случае общей функции мы берем норму функции в ее воспроизводящее ядро ​​гильбертова пространства:

Поскольку норма дифференцируемый, задачи обучения с использованием регуляризации Тихонова могут быть решены градиентный спуск.

Регуляризованные по Тихонову наименьшие квадраты

Проблема обучения с наименьших квадратов функция потерь и регуляризация Тихонова могут быть решены аналитически. Написано в матричной форме, оптимальная будет тем, для которого градиент функции потерь относительно равно 0.

      Это условие первого порядка для этой задачи оптимизации

По построению оптимизационной задачи другие значения даст большие значения для функции потерь. В этом можно убедиться, исследуя вторую производную .

Во время обучения этот алгоритм занимает время. Слагаемые соответствуют обращению матрицы и вычислению , соответственно. Тестирование занимает время.

Ранняя остановка

Раннюю остановку можно рассматривать как упорядочение во времени. Интуитивно понятно, что процедура обучения, такая как градиентный спуск, будет иметь тенденцию изучать все более и более сложные функции по мере увеличения количества итераций. Своевременная регуляризация позволяет контролировать сложность модели, улучшая обобщение.

На практике ранняя остановка реализуется путем обучения на обучающем наборе и измерения точности на статистически независимом проверочном наборе. Модель обучается до тех пор, пока производительность на проверочном наборе не перестанет улучшаться. Затем модель тестируется на тестовом наборе.

Теоретическая мотивация методом наименьших квадратов

Рассмотрим конечное приближение Серия Неймана для обратимой матрицы А куда :

Это можно использовать для аппроксимации аналитического решения нерегуляризованных наименьших квадратов, если γ вводится, чтобы норма была меньше единицы.

Точное решение нерегулярной задачи обучения методом наименьших квадратов минимизирует эмпирическую ошибку, но может не дать обобщения и минимизировать ожидаемую ошибку. Ограничивая Т, единственный свободный параметр в приведенном выше алгоритме, задача регуляризуется по времени, что может улучшить ее обобщение.

Вышеприведенный алгоритм эквивалентен ограничению количества итераций градиентного спуска для эмпирического риска

с обновлением градиентного спуска:

Базовый случай тривиален. Индуктивный случай доказывается следующим образом:

Регуляризаторы для разреженности

Предположим, что словарь с размером задается таким образом, что функция в функциональном пространстве может быть выражена как:

Сравнение шара L1 и шара L2 в двух измерениях дает интуитивное представление о том, как регуляризация L1 обеспечивает разреженность.

Обеспечение ограничения разреженности на может привести к более простым и интерпретируемым моделям. Это полезно во многих реальных приложениях, таких как вычислительная биология. Примером может служить разработка простого прогностического теста на заболевание, чтобы минимизировать затраты на выполнение медицинских тестов при максимальной прогностической способности.

Разумным ограничением разреженности является норма , определяемый как количество ненулевых элементов в . Решение однако было продемонстрировано, что проблема упорядоченного обучения NP-жесткий.[5]

В норма (смотрите также Нормы) можно использовать для аппроксимации оптимального норма через выпуклую релаксацию. Можно показать, что норма вызывает разреженность. В случае метода наименьших квадратов эта проблема известна как ЛАССО в статистике и базовое преследование в обработке сигналов.

Упругая сетевая регуляризация

регуляризация может иногда приводить к неуникальным решениям. На рисунке представлен простой пример, когда пространство возможных решений лежит на линии под углом 45 градусов. Это может быть проблематичным для определенных приложений и решается путем объединения с регуляризация в эластичная чистая регуляризация, который принимает следующий вид:

Упругая сетевая регуляризация имеет тенденцию иметь эффект группировки, когда коррелированным входным характеристикам присваиваются равные веса.

Эластичная сетевая регуляризация широко используется на практике и реализована во многих библиотеках машинного обучения.

Проксимальные методы

В то время как норма не приводит к NP-сложной проблеме, норма выпуклая, но не является строго дифференцируемой из-за перегиба в точке x = 0. Субградиентные методы которые полагаются на субпроизводный можно использовать для решения упорядоченные проблемы обучения. Однако более быстрая сходимость может быть достигнута проксимальными методами.

Для проблемы такой, что выпуклый, непрерывный, дифференцируемый, с липшицевым градиентом (например, функция потерь наименьших квадратов) и является выпуклым, непрерывным и собственным, то проксимальный метод решения задачи следующий. Сначала определите проксимальный оператор

а затем повторить

Проксимальный метод итеративно выполняет градиентный спуск, а затем проецирует результат обратно в пространство, разрешенное .

Когда это регуляризатор, проксимальный оператор эквивалентен оператору мягкой пороговой обработки,

Это позволяет проводить эффективные вычисления.

Групповая разреженность без перекрытий

Группы функций можно упорядочить с помощью ограничения разреженности, которое может быть полезно для выражения определенных предварительных знаний в задаче оптимизации.

В случае линейной модели с неперекрывающимися известными группами можно определить регуляризатор:

куда

Это можно рассматривать как введение регуляризатора над нормы над членами каждой группы с последующим норма над группами.

Это можно решить с помощью проксимального метода, где проксимальный оператор является блочной функцией мягкой пороговой обработки:

Групповая разреженность с перекрытиями

Алгоритм, описанный для разреженности групп без перекрытий, может быть применен к случаю, когда группы действительно перекрываются, в определенных ситуациях. Это, вероятно, приведет к появлению некоторых групп со всеми нулевыми элементами и других групп с некоторыми ненулевыми и некоторыми нулевыми элементами.

Если желательно сохранить структуру группы, можно определить новый регуляризатор:

Для каждого , определяется как вектор такой, что ограничение к группе равно и все другие записи равны нулю. Регуляризатор находит оптимальную дезинтеграцию на части. Его можно рассматривать как дублирование всех элементов, которые существуют в нескольких группах. Проблемы обучения с помощью этого регуляризатора также могут быть решены с помощью проксимального метода с некоторыми осложнениями. Ближайший оператор не может быть вычислен в замкнутой форме, но может эффективно решаться итеративно, вызывая внутреннюю итерацию в ближайшей итерации метода.

Регуляризаторы для обучения без учителя

Когда сбор меток дороже, чем входные примеры, может быть полезно полу-контролируемое обучение. Регуляризаторы были разработаны, чтобы направлять алгоритмы обучения для изучения моделей, которые учитывают структуру обучающих выборок без учителя. Если симметричная весовая матрица задан, можно определить регуляризатор:

Если кодирует результат некоторой метрики расстояния для точек и , желательно, чтобы . Этот регуляризатор отражает эту интуицию и эквивалентен:

куда это Матрица лапласа графа, индуцированного .

Проблема оптимизации можно решить аналитически, если ограничение применяется ко всем контролируемым образцам. Отмеченная часть вектора поэтому очевидно. Немаркированная часть решается за:

Обратите внимание, что псевдообратное выражение можно взять, потому что имеет тот же диапазон, что и .

Регуляризаторы для многозадачного обучения

В случае многозадачного обучения проблемы рассматриваются одновременно, каждая из них так или иначе связана. Цель - научиться функции, в идеале заимствующие силу из взаимосвязи задач, которые обладают предсказательной силой. Это эквивалентно изучению матрицы .

Разреженный регуляризатор по столбцам

Этот регуляризатор определяет норму L2 для каждого столбца и норму L1 для всех столбцов. Ее можно решить проксимальными методами.

Регуляризация ядерной нормы

куда собственные значения в разложение по сингулярным числам из .

Ограниченная средним регуляризация

Этот регуляризатор ограничивает функции, изученные для каждой задачи, подобными общему среднему значению функций для всех задач. Это полезно для выражения предварительной информации о том, что каждая задача должна иметь общие черты с другой задачей. Примером может служить прогнозирование уровня железа в крови, измеренного в разное время дня, где каждая задача представляет собой отдельного человека.

Кластерная регуляризация с ограничениями по среднему значению

куда это кластер задач.

Этот регуляризатор похож на регуляризатор со средним ограничением, но вместо этого обеспечивает сходство между задачами в одном кластере. Это может собрать более сложную априорную информацию. Этот метод использовался для прогнозирования Netflix рекомендации. Кластер соответствует группе людей, которые разделяют схожие предпочтения в фильмах.

Сходство на основе графа

В более общем плане, чем указано выше, сходство между задачами может быть определено функцией. Регуляризатор побуждает модель изучать аналогичные функции для аналогичных задач.

для данной симметричной матрицы подобия .

Другие способы использования регуляризации в статистике и машинном обучении

Байесовское обучение методы используют априорная вероятность это (обычно) снижает вероятность более сложных моделей. Хорошо известные методы выбора модели включают Информационный критерий Акаике (AIC), минимальная длина описания (MDL), а Байесовский информационный критерий (БИК). Альтернативные методы контроля переобучения, не связанные с регуляризацией, включают: перекрестная проверка.

Примеры применения различных методов регуляризации к линейная модель находятся:

МодельПодходящая мераМера энтропии[3][6]
AIC/BIC
Регрессия хребта[7]
Лассо[8]
Основная цель шумоподавления
Модель Рудина – Ошера – Фатеми (ТВ)
Модель Поттса
RLAD[9]
Селектор Данцига[10]
СКЛОН[11]

Смотрите также

Примечания

  1. ^ Крациос, Анастасис (2020). «Глубокое обучение без арбитража в обобщенной структуре HJM с использованием данных регуляризации арбитража». Риски: [1]. Дои:10.3390 / риски8020040. Модели временной структуры можно упорядочить, чтобы исключить возможность арбитража. Цитировать журнал требует | журнал = (помощь)
  2. ^ Бюльманн, Питер; Ван Де Гир, Сара (2011). «Статистика многомерных данных». Серия Springer в статистике: 9. Дои:10.1007/978-3-642-20192-9. ISBN 978-3-642-20191-2. Если p> n, обычная оценка методом наименьших квадратов не уникальна и сильно переоценивает данные. Таким образом, потребуется форма регуляризации сложности. Цитировать журнал требует | журнал = (помощь)
  3. ^ а б Епископ, Кристофер М. (2007). Распознавание образов и машинное обучение (Корр. Полиграф. Ред.). Нью-Йорк: Спрингер. ISBN 978-0387310732.
  4. ^ Для связи между максимальная апостериорная оценка и регресс гребня, видеть Вайнбергер, Килиан (11 июля 2018 г.). «Линейная / хребтовая регрессия». CS4780 Машинное обучение, лекция 13. Корнелл.
  5. ^ Натараджан, Б. (1995-04-01). «Редкие приближенные решения линейных систем». SIAM Журнал по вычислениям. 24 (2): 227–234. Дои:10.1137 / S0097539792240406. ISSN 0097-5397.
  6. ^ Дуда, Ричард О. (2004). Классификация шаблонов + компьютерное руководство: набор в твердом переплете (2-е изд.). Нью-Йорк [u.a.]: Wiley. ISBN 978-0471703501.
  7. ^ Артур Э. Хёрл; Роберт В. Кеннард (1970). «Ридж-регрессия: предвзятые оценки для неортогональных проблем». Технометрика. 12 (1): 55–67. Дои:10.2307/1267351.
  8. ^ Тибширани, Роберт (1996). «Регрессионное сжатие и выделение с помощью лассо» (PostScript). Журнал Королевского статистического общества, серия B. 58 (1): 267–288. МИСТЕР 1379242. Получено 2009-03-19.
  9. ^ Ли Ван, Майкл Д. Гордон и Цзи Чжу (2006). «Регуляризованная регрессия наименьших абсолютных отклонений и эффективный алгоритм настройки параметров». Шестая международная конференция по интеллектуальному анализу данных. С. 690–700. Дои:10.1109 / ICDM.2006.134.
  10. ^ Кандес, Эммануэль; Тао, Теренс (2007). "Селектор Данцига: статистическая оценка, когда п намного больше, чем п". Анналы статистики. 35 (6): 2313–2351. arXiv:математика / 0506081. Дои:10.1214/009053606000001523. МИСТЕР 2382644.
  11. ^ Малгожата Богдан, Эуут ван ден Берг, Вейи Су и Эммануэль Дж. Кандес (2013). «Статистическая оценка и тестирование по заказанной норме L1». arXiv:1310.1969 [stat.ME].CS1 maint: несколько имен: список авторов (связь)

Рекомендации