WikiDer > Гауссовский процесс нейронной сети

Воспроизвести медиа

Осталось: а Байесовская нейронная сеть с двумя скрытыми слоями, преобразуя трехмерный ввод (внизу) в двумерный вывод ${ displaystyle (y_ {1}, y_ {2})}$ (верх). Правильно: вывод функция плотности вероятности ${ displaystyle p (y_ {1}, y_ {2})}$ индуцированные случайными весами сети. видео: по мере увеличения ширины сети выходное распределение упрощается, в конечном итоге сходясь к многомерный нормальный в пределе бесконечной ширины.

Байесовские сети представляют собой инструмент моделирования для присвоения вероятностей событиям и, таким образом, характеристики неопределенности прогнозов модели. Глубокое обучение и искусственные нейронные сети подходы, используемые в машинное обучение для построения вычислительных моделей, которые учатся на обучающих примерах. Байесовские нейронные сети объединяют эти поля. Это разновидность искусственной нейронной сети, параметры и прогнозы являются вероятностными.^[1][2] Хотя стандартные искусственные нейронные сети часто придают высокую степень достоверности даже неверным предсказаниям,^[3] Байесовские нейронные сети могут более точно оценить, насколько верны их прогнозы.

Гауссовские процессы нейронной сети (NNGP) эквивалентны байесовским нейронным сетям в определенном пределе,^{[4][5][6][7][8][9][10][11][12]} и предоставить закрытая форма способ оценки байесовских нейронных сетей. Они Гауссовский процесс распределение вероятностей который описывает распределение прогнозов, сделанных соответствующей байесовской нейронной сетью. Вычисления в искусственных нейронных сетях обычно организованы в последовательные слои искусственные нейроны. Количество нейронов в слое называется шириной слоя. Эквивалентность между NNGP и байесовскими нейронными сетями возникает, когда слои в байесовской нейронной сети становятся бесконечно широкими (см. Рисунок). Эта предел большой ширины представляет практический интерес, поскольку нейронные сети конечной ширины обычно работают строго лучше при увеличении ширины слоя.^{[13][14][8][15]}

NNGP также появляется в нескольких других контекстах: он описывает распределение по предсказаниям, сделанным широкими небайесовскими искусственными нейронными сетями после случайной инициализации их параметров, но до обучения; он появляется как термин в нервное касательное ядро уравнения прогноза; он используется в глубокое распространение информации для характеристики возможности обучения гиперпараметрам и архитектуре.^[16] Это связано с другими большие пределы ширины нейронных сетей.

Иллюстрации шаржа

Когда параметры ${ displaystyle theta}$ сети бесконечной ширины многократно отбираются из их предыдущих ${ Displaystyle р ( тета)}$, результирующее распределение по выходам сети описывается гауссовским процессом.

Каждая настройка параметров нейронной сети ${ displaystyle theta}$ соответствует определенной функции, вычисляемой нейронной сетью. Предварительное распространение ${ Displaystyle р ( тета)}$ поэтому параметры нейронной сети соответствуют априорному распределению функций, вычисленных сетью. Поскольку нейронные сети сделаны бесконечно широкими, это распределение по функциям сходится к гауссовскому процессу для многих архитектур.

На рисунке справа показаны одномерные результаты. ${ Displaystyle г ^ {L} ( cdot; theta)}$ нейронной сети на два входа ${ displaystyle x}$ и ${ displaystyle x ^ {*}}$ друг против друга. Черные точки показывают функцию, вычисленную нейронной сетью на этих входных данных для случайных выборок параметров из ${ Displaystyle р ( тета)}$. Красные линии - изовероятностные контуры для совместного распределения по выходам сети. ${ Displaystyle г ^ {L} (х; тета)}$ и ${ Displaystyle г ^ {L} (х ^ {*}; тета)}$ индуцированный ${ Displaystyle р ( тета)}$. Это распределение в функциональном пространстве, соответствующее распределению ${ Displaystyle р ( тета)}$ в пространстве параметров, а черные точки - это образцы из этого распределения. Для бесконечно широких нейронных сетей, поскольку распределение по функциям, вычисляемым нейронной сетью, является гауссовским процессом, совместное распределение по выходным данным сети является многомерным гауссовым для любого конечного набора входных данных сети.

Обозначения, используемые в этом разделе, такие же, как обозначения, используемые ниже для вывода соответствия между NNGP и полносвязными сетями, и более подробную информацию можно найти там.

Архитектуры, соответствующие NNGP

Было показано, что эквивалентность бесконечно широких байесовских нейронных сетей и NNGP сохраняется для: одного скрытого слоя^[4] и глубоко^[6][7] полностью подключенные сети поскольку количество единиц на слой доведено до бесконечности; сверточные нейронные сети поскольку количество каналов доведено до бесконечности;^[8][9][10] трансформаторные сети, так как количество голов внимания доведено до бесконечности;^[17] повторяющиеся сети поскольку количество единиц доведено до бесконечности.^[12]Фактически, это соответствие NNGP выполняется практически для любой архитектуры: как правило, если архитектура может быть выражена исключительно через матричное умножение и покоординатную нелинейность (т.е. тензорная программа), то он имеет ГП бесконечной ширины.^[12]Это, в частности, включает в себя все нейронные сети с прямой связью или рекуррентные нейронные сети, состоящие из многослойного персептрона, рекуррентных нейронных сетей (например, LSTM, ГРУ), (nD или график) свертка, объединение, пропустить соединение, внимание, пакетная нормализация, и / или нормализация слоя.

Соответствие между бесконечно широкой полносвязной сетью и гауссовским процессом

В этом разделе подробно рассматривается соответствие между бесконечно широкими нейронными сетями и гауссовскими процессами для конкретного случая полносвязной архитектуры. В нем представлен контрольный набросок, объясняющий, почему соответствие сохраняется, и представлена ​​конкретная функциональная форма NNGP для полносвязных сетей. Схема доказательства близко следует подходу, описанному в Новак, и др., 2018.^[8]

Спецификация сетевой архитектуры

Производный NNGP эквивалентен байесовской нейронной сети с этой полностью связанной архитектурой.

Рассмотрим полностью подключенную искусственную нейронную сеть со входами ${ displaystyle x}$, параметры ${ displaystyle theta}$ состоящий из весов ${ Displaystyle W ^ {l}}$ и предубеждения ${ displaystyle b ^ {l}}$ для каждого слоя ${ displaystyle l}$ в сети предварительные активации (преднелинейность) ${ displaystyle z ^ {l}}$, активации (постнелинейность) ${ displaystyle y ^ {l}}$, поточечная нелинейность ${ Displaystyle фи ( cdot)}$, и ширина слоя ${ displaystyle n ^ {l}}$. Для простоты ширина ${ Displaystyle п ^ {L + 1}}$ вектора отсчета ${ displaystyle z ^ {L}}$ принимается равным 1. Параметры этой сети имеют предварительное распределение ${ Displaystyle р ( тета)}$, который состоит из изотропного гаусса для каждого веса и смещения, причем дисперсия весов масштабируется обратно пропорционально ширине слоя. Эта сеть проиллюстрирована на рисунке справа и описывается следующей системой уравнений:

${ displaystyle { begin {align} x & Equiv { text {input}} y ^ {l} (x) & = left {{ begin {array} {lcl} x && l = 0 phi left (z ^ {l-1} (x) right) && l> 0 end {array}} right. z_ {i} ^ {l} (x) & = sum _ {j} W_ {ij} ^ {l} y_ {j} ^ {l} (x) + b_ {i} ^ {l} W_ {ij} ^ {l} & sim { mathcal {N}} left (0, { frac { sigma _ {w} ^ {2}} {n ^ {l}}} right) b_ {i} ^ {l} & sim { mathcal {N}} left (0, sigma _ {b} ^ {2} right) phi ( cdot) & Equiv { text {nonlinearity}} y ^ {l} (x), z ^ {l -1} (x) & in mathbb {R} ^ {n ^ {l} times 1} n ^ {L + 1} & = 1 theta & = left {W ^ { 0}, b ^ {0}, dots, W ^ {L}, b ^ {L} right } end {align}}}$

${ displaystyle z ^ {l} | y ^ {l}}$ гауссовский процесс

Сначала заметим, что предварительные активации ${ displaystyle z ^ {l}}$ описываются гауссовым процессом, обусловленным предыдущими активациями ${ displaystyle y ^ {l}}$. Этот результат верен даже при конечной ширине. Каждая предварительная активация ${ displaystyle z_ {i} ^ {l}}$ представляет собой взвешенную сумму гауссовских случайных величин, соответствующих весам ${ Displaystyle W_ {ij} ^ {l}}$ и предубеждения ${ displaystyle b_ {i} ^ {l}}$, где коэффициенты для каждой из этих гауссовских переменных являются предыдущими активациями ${ displaystyle y_ {j} ^ {l}}$. Поскольку они представляют собой взвешенную сумму гауссианов с нулевым средним, ${ displaystyle z_ {i} ^ {l}}$ сами являются гауссианами с нулевым средним (при условии, что коэффициенты ${ displaystyle y_ {j} ^ {l}}$). С ${ displaystyle z ^ {l}}$ вместе являются гауссовыми для любого набора ${ displaystyle y ^ {l}}$, они описываются гауссовым процессом, обусловленным предшествующими активациями ${ displaystyle y ^ {l}}$. Ковариация или ядро ​​этого гауссовского процесса зависит от дисперсии веса и смещения ${ displaystyle sigma _ {w} ^ {2}}$ и ${ displaystyle sigma _ {b} ^ {2}}$, а также матрица второго момента ${ displaystyle K ^ {l}}$ предыдущих активаций ${ displaystyle y ^ {l}}$,

${ displaystyle { begin {align} z_ {i} ^ {l} mid y ^ {l} & sim { mathcal {GP}} left (0, sigma _ {w} ^ {2} K ^ {l} + sigma _ {b} ^ {2} right) K ^ {l} (x, x ') & = { frac {1} {n ^ {l}}} sum _ {i} y_ {i} ^ {l} (x) y_ {i} ^ {l} (x ') end {align}}}$

Влияние весов ${ displaystyle sigma _ {w} ^ {2}}$ заключается в изменении масштаба вклада ковариационной матрицы из ${ displaystyle K ^ {l}}$, в то время как смещение является общим для всех входов, и поэтому ${ displaystyle sigma _ {b} ^ {2}}$ делает ${ displaystyle z_ {i} ^ {l}}$ для разных точек данных более похожи и делает ковариационную матрицу более похожей на постоянную матрицу.

${ displaystyle z ^ {l} | K ^ {l}}$ гауссовский процесс

Предварительные активации ${ displaystyle z ^ {l}}$ зависит только от ${ displaystyle y ^ {l}}$ через его вторую матрицу моментов ${ displaystyle K ^ {l}}$. Из-за этого мы можем сказать, что ${ displaystyle z ^ {l}}$ гауссовский процесс, обусловленный ${ displaystyle K ^ {l}}$, а не обусловлено ${ displaystyle y ^ {l}}$,

${ displaystyle { begin {align} z_ {i} ^ {l} mid K ^ {l} & sim { mathcal {GP}} left (0, sigma _ {w} ^ {2} K ^ {l} + sigma _ {b} ^ {2} right). end {выравнивается}}}$

По ширине слоя ${ Displaystyle п ^ {l} rightarrow infty}$, ${ displaystyle K ^ {l} mid K ^ {l-1}}$ становится детерминированным

Как было определено ранее, ${ displaystyle K ^ {l}}$ - вторая матрица моментов ${ displaystyle y ^ {l}}$. поскольку ${ displaystyle y ^ {l}}$ - вектор активации после применения нелинейности ${ displaystyle phi}$, его можно заменить на ${ Displaystyle фи влево (г ^ {л-1} вправо)}$, что приводит к модифицированному уравнению, выражающему ${ displaystyle K ^ {l}}$ для ${ displaystyle l> 0}$ с точки зрения ${ displaystyle z ^ {l-1}}$,

${ displaystyle { begin {align} K ^ {l} (x, x ') & = { frac {1} {n ^ {l}}} sum _ {i} phi left (z_ {i } ^ {l-1} (x) right) phi left (z_ {i} ^ {l-1} (x ') right). end {выравнивается}}}$

Мы уже определили, что ${ displaystyle z ^ {l-1} | K ^ {l-1}}$ - гауссовский процесс. Это означает, что сумма, определяющая ${ displaystyle K ^ {l}}$ в среднем больше ${ displaystyle n ^ {l}}$ выборки из гауссовского процесса, который является функцией ${ displaystyle K ^ {l-1}}$,

${ Displaystyle { begin {align} left {z_ {i} ^ {l-1} (x), z_ {i} ^ {l-1} (x ') right } & sim { mathcal {GP}} left (0, sigma _ {w} ^ {2} K ^ {l-1} + sigma _ {b} ^ {2} right). end {выравнивается}}}$

Поскольку ширина слоя ${ displaystyle n ^ {l}}$ стремится к бесконечности, это среднее за ${ displaystyle n ^ {l}}$ выборки из гауссовского процесса можно заменить интегралом по гауссовскому процессу:

${ Displaystyle { begin {align} lim _ {n ^ {l} rightarrow infty} K ^ {l} (x, x ') & = int dzdz' phi (z) phi (z ' ) { mathcal {N}} left ( left [{ begin {array} {c} z z ' end {array}} right]; 0, sigma _ {w} ^ {2} left [{ begin {array} {cc} K ^ {l-1} (x, x) & K ^ {l-1} (x, x ') K ^ {l-1} (x', x) & K ^ {l-1} (x ', x') end {array}} right] + sigma _ {b} ^ {2} right) end {align}}}$

Итак, в пределе бесконечной ширины вторая матрица моментов ${ displaystyle K ^ {l}}$ для каждой пары входов ${ displaystyle x}$ и ${ displaystyle x '}$ можно выразить как интеграл по 2d гауссиане от произведения ${ Displaystyle фи (г)}$ и ${ Displaystyle фи (г ')}$. Есть ряд ситуаций, в которых эта проблема решена аналитически, например, когда ${ Displaystyle фи ( cdot)}$ это ReLU^[18] или функция ошибки^[5] Нелинейность. Даже когда ее нельзя решить аналитически, поскольку это 2-й интеграл, его, как правило, можно эффективно вычислить численно.^[6]Этот интеграл детерминирован, поэтому ${ Displaystyle К ^ {l} | К ^ {l-1}}$ детерминирован.

Для краткости определим функционал ${ displaystyle F}$, что соответствует вычислению этого 2-го интеграла для всех пар входных данных и отображает ${ displaystyle K ^ {l-1}}$ в ${ displaystyle K ^ {l}}$,

${ displaystyle { begin {align} lim _ {n ^ {l} rightarrow infty} K ^ {l} & = F left (K ^ {l-1} right). end {align} }}$

${ displaystyle z ^ {L} mid x}$ является NNGP

Рекурсивно применяя наблюдение, что ${ displaystyle K ^ {l} mid K ^ {l-1}}$ детерминирован как ${ Displaystyle п ^ {l} rightarrow infty}$, ${ displaystyle K ^ {L}}$ можно записать как детерминированную функцию от ${ displaystyle K ^ {0}}$,

${ Displaystyle { begin {align} lim _ { min left (n ^ {1}, dots, n ^ {L} right) rightarrow infty} K ^ {L} & = F circ F cdots left (K ^ {0} right) = F ^ {L} left (K ^ {0} right), end {align}}}$

где ${ displaystyle F ^ {L}}$ указывает на применение функционала ${ displaystyle F}$ последовательно ${ displaystyle L}$ раз. Объединив это выражение с дальнейшими наблюдениями, матрица второго момента входного слоя ${ displaystyle K ^ {0} (x, x ') = { frac {1} {n ^ {0}}} sum _ {i} x_ {i} x' _ {i}}$ является детерминированной функцией входа ${ displaystyle x}$, и это ${ displaystyle z ^ {L} | K ^ {L}}$ является гауссовским процессом, выход нейронной сети может быть выражен как гауссовский процесс с точки зрения его входа,

${ displaystyle { begin {align} z_ {i} ^ {L} (x) & sim { mathcal {GP}} left (0, sigma _ {w} ^ {2} F ^ {L} left (K ^ {0} right) + sigma _ {b} ^ {2} right). end {align}}}$

Программные библиотеки

Нейронные касательные это бесплатно и с открытым исходным кодом Python библиотека, используемая для вычислений и вывода с NNGP и касательное нейронное ядро соответствующие различным общим архитектурам ИНС.^[19]

использованная литература