statistical learning theory

Angol

Főnév

statistical learning theory (tsz. statistical learning theories)

1. (informatika) A statisztikai tanuláselmélet (SLT) egy matematikai keretrendszer, amely azt vizsgálja, hogyan tudnak a gépek, algoritmusok vagy modellek mintákból tanulni. Az SLT próbál elméleti garanciákat adni arra, hogy ha az algoritmus egy korlátozott számú példán jól teljesít, akkor vajon új, ismeretlen adatokon is jól fog-e teljesíteni.

Egyszerűbben szólva: → Mi garantálja, hogy amit a tanuló modell a tréning adatokon megtanult, az nem csak véletlenül passzol oda, hanem valóban általánosítható?

Ez a kérdés a gépi tanulás egyik alapkérdése, és erre az SLT próbál választ adni.

Motiváció

A gépi tanulás egyik központi célja a generalizáció:

• Van egy ismeretlen valós eloszlás ${\textstyle P(X,Y)}$, ami az adatokat generálja.
• Van egy tanuló algoritmusunk, ami kap példákat ebből az eloszlásból: ${\textstyle \{(x_{1},y_{1}),(x_{2},y_{2}),...,(x_{n},y_{n})\}}$.
• A cél: megtanulni egy függvényt ${\textstyle f(x)}$, ami új adatokra is jól becsüli meg a helyes ${\textstyle y}$-t.

A gond az, hogy csak egy véges számú példán tanulunk → nem látjuk a teljes eloszlást.

Kérdés: Mennyi adat kell, hogy biztosan jó modellt tanuljunk? Milyen algoritmusokat érdemes választani? Hogyan mérjük a bonyolultságot?

→ SLT ezekre ad válaszokat.

Fő fogalmak

1. Hipotézistér ${\textstyle {\mathcal {H}}}$

A tanuló algoritmus nem minden lehetséges függvényt próbál meg megtanulni, hanem egy hipotézistérből választ.

Példa:

• Ha lineáris regressziót tanulunk, akkor a hipotézistér az összes lineáris függvény.
• Ha neuronháló tanul, akkor a hipotézistér a paraméterezett neurális hálók osztálya.

2. Loss function (veszteségfüggvény)

A tanuló algoritmus hibát mér a predikcióin:

${\textstyle L(f(x),y)}$

Példák:

• Négyzetes veszteség: ${\textstyle (f(x)-y)^{2}}$
• Zero-one loss (osztályozás): 1, ha helytelen, 0, ha helyes.

3. Empirikus kockázat (Empirical Risk) ${\textstyle R_{emp}(f)}$

A tanuló algoritmus a rendelkezésre álló adatokon tudja kiértékelni a teljesítményét:

${\textstyle R_{emp}(f)={\frac {1}{n}}\sum _{i=1}^{n}L(f(x_{i}),y_{i})}$

Minél kisebb, annál jobban teljesít az ismert adatokon.

4. Valódi kockázat (True Risk) ${\textstyle R(f)}$

Ami igazán érdekel minket, az az ismeretlen eloszlás szerinti várható hiba:

${\textstyle R(f)=\mathbb {E} _{(X,Y)\sim P}[L(f(X),Y)]}$

Generalizációs cél → ${\textstyle R(f)}$ legyen alacsony.

Probléma: ${\textstyle P}$-t nem ismerjük → ${\textstyle R(f)}$ nem számolható ki pontosan.

Tanulási elv: Empirical Risk Minimization (ERM)

A klasszikus tanulási elv az, hogy a rendelkezésre álló adatokon minimalizáljuk az empirikus kockázatot:

${\textstyle {\hat {f}}=\arg \min _{f\in {\mathcal {H}}}R_{emp}(f)}$

Kérdés: vajon ez elég?

→ SLT elemzi, hogy az ${\textstyle {\hat {f}}}$-nek milyen a valódi kockázata.

Generalizációs hiba

A kulcs kérdés:

${\textstyle R(f)-R_{emp}(f)}$

• Ha ez kicsi, akkor az empirikus kockázat minimalizálása jó valódi teljesítményt eredményez.
• Ha ez nagy, akkor overfitting történik (túlillesztés).

5. Overfitting vs. underfitting

• Overfitting: a modell túlságosan alkalmazkodik a mintához, de rosszul teljesít új adatokon.
• Underfitting: a modell nem elég kifejező, ezért az ismert és új adatokon is rosszul teljesít.

→ SLT célja, hogy matematikai módon megértse és kordában tartsa ezt a kompromisszumot.

Model bonyolultságának mérése

Minél bonyolultabb a hipotézistér ${\textstyle {\mathcal {H}}}$, annál könnyebb overfittetni.

Hogyan mérjük a bonyolultságot?

1. VC-dimenzió (Vapnik–Chervonenkis dimension)

A VC-dimenzió egy klasszikus SLT eszköz, amely megmondja, hogy a hipotézistér mennyire erős.

VC-dimenzió = a legnagyobb minta méret, amit a modell teljesen tetszőlegesen osztályozni tud.

• Alacsony VC-dimenzió → kevésbé bonyolult modell → kisebb esély az overfittingre.
• Magas VC-dimenzió → nagy bonyolultság → nagyobb overfitting esély.

Példák:

• Lineáris döntési felületek 2D-ben → VC-dimenzió = 3
• Polinomok → VC-dimenzió a fokszámtól függ

2. Rademacher-komplexitás

Modern alternatíva a VC-dimenzióra, amely adatfüggő bonyolultságmérő.

3. Regularizáció

Az SLT egyik gyakorlati következménye: regularizációt vezetünk be, hogy csökkentsük a bonyolultságot.

• L2 regularizáció (Ridge regression)
• L1 regularizáció (Lasso)
• Dropout neurális hálózatokban

Konvergencia és tanulási garantálták

Az SLT a következő kérdéseket vizsgálja:

• Mennyi minta kell ahhoz, hogy ${\textstyle R(f)\approx R_{emp}(f)}$?
• Milyen gyorsan konvergál ${\textstyle R_{emp}(f)}$ a ${\textstyle R(f)}$-hez?
• Hogyan függ ez a hipotézistér komplexitásától?

Alapvető eredmény (nagyon leegyszerűsítve):

Ha:

• ${\textstyle n}$ = minta elemszám
• ${\textstyle d}$ = VC-dimenzió

akkor nagy valószínűséggel:

${\textstyle |R(f)-R_{emp}(f)|\leq O\left({\sqrt {\frac {d}{n}}}\right)}$

→ Minél több adatunk van, annál jobb lesz a generalizáció.

Kapcsolat a modern gépi tanulással

Mélytanulás (Deep Learning)

• A klasszikus SLT VC-dimenzió alapú keretrendszere nem jól magyarázza, miért működnek a nagy hálók.
• Új kutatási irányok: norma-alapú általánosítási határok, PAC-Bayes elmélet, implicit bias a gradient descent során.

Kernel módszerek

• SVM (Support Vector Machines) a margin maximalizálást alkalmazza → közvetlenül SLT-ből következik.
• Kerneles módszerek VC-dimenzióval és Rademacher-komplexitással is jól elemezhetők.

Boosting

• Boosting algoritmusok (pl. AdaBoost) erős általánosítási eredményeket adnak → bizonyítottan jó ${\textstyle R(f)}$-t eredményeznek.

Összegzés

Fogalom	Cél
Hipotézistér ${\textstyle {\mathcal {H}}}$	A lehetséges modellek halmaza
Loss function ${\textstyle L}$	A hibamérés módja
Empirikus kockázat ${\textstyle R_{emp}(f)}$	Minta adatokon mért hiba
Valódi kockázat ${\textstyle R(f)}$	Ismeretlen eloszlás szerinti hiba
VC-dimenzió	A modellek bonyolultságának mérőszáma
Regularizáció	Az overfitting elkerülése
Generalizációs hiba	${\textstyle R(f)-R_{emp}(f)}$, amit szeretnénk minimalizálni

Miért fontos?

• Az SLT matematikai alapot ad annak megértéséhez, hogy mikor és hogyan általánosítanak jól a gépi tanulási modellek.
• Segít megérteni az adatigényt.
• Segít kialakítani bonyolultság és adatméret közötti kompromisszumot.

Modern AI rendszerek sikerének egyik rejtett alapköve a statisztikai tanuláselmélet. A nagy méretű neurális hálózatok működésének jobb megértése ma is aktív kutatási terület az SLT keretein belül.

További információk

• statistical learning theory - Szótár.net (en-hu)
• statistical learning theory - Sztaki (en-hu)
• statistical learning theory - Merriam–Webster
• statistical learning theory - Cambridge
• statistical learning theory - WordNet
• statistical learning theory - Яндекс (en-ru)
• statistical learning theory - Google (en-hu)
• statistical learning theory - Wikidata
• statistical learning theory - Wikipédia (angol)