1.
2013/10/17 PFIセミナー
SGD+α
確率的勾配降下法の現在と未来
東京大学 情報理工学系研究科
大岩 秀和 / @kisa12012

2.
自己紹介
•大岩 秀和 (a.k.a. @kisa12012)
•所属: 東大 数理情報 D2 (中川研)
•研究: 機械学習・言語処理
•オンライン学習/確率的最適化/スパース正
則化 etc...
•前回のセミナー: 能動学習入門
•PFI: インターン(10) -> アルバイト(-12)
2

3.
今日の話 1/2
•みんな大好き（？）確率的勾配降下法
•Stochastic Gradient Descent (SGD)
•オンライン学習の文脈では，Online
Gradient Decent (OGD)と呼ばれる
•SGDは便利だけど，使いにくい所も
•ステップ幅の設定方法とか
3

4.
今日の話 2/2
•SGDに+αで出来る拡張の話をします
•最近提案されたトッピング(研究)を紹介
•ステップ幅設定／自動正規化など
Plain SGD
Topping
4

5.
1. Plain SGD
5

6.
基本問題設定
min f (w)
f (w)
• （損失）最小化問題 w
⇤
• 値が最小となる w を求めたい
f (·) は凸関数
•
⇤
w
関数がN個の関数に分解可能
•
• 必須ではないですが，今回はこの条件で進めます
f (w) =
N
X
n=1
6
ft (w)

7.
Plain SGD
x1
x2
................................ xN
wt
7

8.
Plain SGD
x1
x2
................................ xN
wt
データを一つランダムにピックアップ
8

9.
Plain SGD
x1
x2
................................ xN
wt+1 = wt
⌘t @f2 (wt )
選んだデータに対応する勾配でパラメータ更新
9

10.
Plain SGD
x1
x2
................................ xN
max(0, 1
(wT x
二乗損失 (回帰)
ヒンジ損失 (分類)
y)2
wt+1 = wt
⌘t @f2 (wt )
用いる損失関数は様々
10
ywT x)

11.
Plain SGD
•関数を一つだけサンプルして，勾配を計算
wt+1 = wt
⌘t rfnt (wt )
•
関数 fnt (·) の値が一番小さくなる
方向へパラメータを更新
⌘t でステップの幅を調整
•
•微分不可能な場合も劣勾配で
11

12.
Pros and Cons of Plain SGD
wt+1 = wt
⌘t rfnt (wt )
•長所
•大規模データに有効 (Bottou+ 11)
• そこそこの 解がすぐに欲しい時
•実装・デバッグ・実験サイクルを回すのが楽
•ノウハウ集 (Bottou 12)
•最適解への収束証明あり
12

13.
Pros and Cons of Plain SGD
•短所
•ステップ幅で収束性が大きく変化
•Overshoot, Undershoot
•前処理しないと性能が劇的に悪化
•正規化, TF-IDF
•厳密な最適解が欲しい場合は遅い
損失
(対数)
SGD
GD
時間
13

14.
SGD+α
•時代はビッグデータ
•複雑な最適化よりシンプルで軽いSGD
•しかし，SGDも不便な部分が多い
•SGD+α
•+αで，より効果的なアルゴリズムへ
•+αで，欠点の少ないアルゴリズムへ
•「それ，実はSGD+αで出来るよ？」
14

15.
今日紹介する+α
• Importance-aware Update
• ステップ幅の問題を緩和
• Normalized Online Learning
• 前処理なし，オンラインで特徴量の正規化
• Linear Convergence SGD
• バッチデータに対して，線形収束するSGD
• 他にもAdaGrad／省メモリ化等を紹介したかったで
(Karampatziakis+ 11)
(Stéphane+ 13)
(Le Roux+ 12)
すが，略
15

16.
2. Importance-aware Update
16

17.
Overshoot / Undershoot
SGDはステップ幅設定に失敗すると，劇的に悪化
ステップ幅が大きすぎる
小さすぎる
17

18.
ステップ幅設定は大変
w = (inf, inf, . . . )
•Overshootで生じるnan/infの嵐
•Cross-Validationで最適ステップ幅探しの旅
•つらい
•ステップ幅選択に悩みたくない
•Importance-aware Update
•キーワード: Invariance, Safety
18

19.
Invariance
•ステップ幅設定をh倍 -> データ1個分の更新h回
へ再設定
→
19

20.
Importance-aware Update
(Karampatziakis+ 11)
•Invarianceを満たすステップ幅の再設定法
•線形予測器では変化するのはステップ幅のみ
•主な損失関数のステップ幅は，閉じた式で計
算可能
•L2正則化等が入っても大丈夫
•Regret Boundの証明あり
20

21.
Importance-aware step width
ステップ幅の再設定式
Table 1: Importance Weight Aware Updates for Various Loss Functions
Loss
`(p, y)
Update s(h)
⇣
⌘
>
p y
Squared
(y p)2
1 e h⌘x x
x> x
Logistic
log(1 + e
Exponential
e
y log
Logarithmic
Hellinger
Hinge
⌧ -Quantile
p
( p
y
p
p
2
y)
yp
)
yp
+ (1
p
( 1
y) log
p
1 y
1 p
p
1
max(0, 1 yp)
if y > p
⌧ (y p)
if y  p (1 ⌧ )(p y)
(6) gives a di↵erential equation whose solution is the
result of a continuous gradient descent process.
As a sanity check we rederive (5) using (6). For
@`
squared loss @p = p y and we get a linear ODE:
y)2
> x+yp+eyp
) h⌘x> x eyp
for y 2 { 1, 1}
yx> x
py log(h⌘x> x+epy )
for y 2 { 1, 1}
x> xy
p
p 1+ (p 1)2 +2h⌘x> x
if y = 0
p x> x
p
p2 +2h⌘x> x
if y = 1
x> x
>
1
p 1+ 4 (12h⌘x x+8(1 p)3/2 )2/3
if y = 0
x> x
1
p 4 (12h⌘x> x+8p3/2 )2/3
if y = 1
x> x
1 yp
y min h⌘, x> x for y 2 { 1, 1}
if y > p
⌧ min(h⌘, ⌧yx>p )
x
p y
if y  p (1 ⌧ ) min(h⌘, (1 ⌧ )x> x )
W (eh⌘x
solution to (6) has no simple form for all y 2 [0, 1] but
for y 2 {0, 1} we get the expressions in table 1.
3.1.1
(Karampatziakis+ 11) より
Hinge Loss and Quantile Loss
Two other commonly used loss function are the hinge
loss
21 and the ⌧ -quantile loss where ⌧ 2 [0, 1] is a parameter function. These are di↵erentiable everywhere

22.
Safety
•Importance-aware Updateとなった二乗損失や
ヒンジ損失は，Safetyの性質を持つ
Safety
T
wt+1 x y
T
wt x y
0
が必ず満たされる
領域を超えない
22

23.
No more step width war!
•SafetyによりOvershootの危険性が減る
•初期ステップ幅を大きめにとれる
•ステップ幅の精密化により，精度も改善
•賢いステップ幅選択方法は他にも提案
•(Duchi+ 10), (Schaul+ 13)...
23

24.
3. Normalized Online Learning
24

25.
特徴量の正規化
• 各特徴量のスケールに強い影響を受ける
• スケールの上限／下限の差が大きいほど，理論的にも実
証的にも性能悪化
• バッチ学習の場合は前処理で正規化する場合がほとんど
• オンライン学習では，前処理が不可能な場合がある
• 全部のデータを前もって用意出来ない etc.
x = (1.0, 5.2, . . . )
x = (1000.0, 5.2, . . . )
25
x = (0.001, 5.2, . . . )

26.
Normalized Online Learning
(Stéphane+ 13)
s1
s2
................................
wt = (1.0, 2.0, . . . , 5.0)
各特徴量に，最大値保存用のボックスを設置
26
sD

27.
Normalized Online Learning
s1
s2
................................
x2 = (2.0, 1.0, . . . , 5.0)
wt = (1.0, 2.0, . . . , 5.0)
データを一つランダムにピックアップ
27
sD

28.
Normalized Online Learning
s1
s2
................................
x2 = (2.0, 1.0, . . . , 5.0)
wt = (1.0, 2.0, . . . , 5.0)
選択したデータの各特徴量の値が
最大値を超えていないかチェック
28
sD

29.
Normalized Online Learning
2.0
s2
................................
sD
If 2.0 > s1
x2 = (2.0, 1.0, . . . , 5.0)
1.0 ⇥ s2
1
wt = (
2 , 2.0, . . . , 5.0)
2.0
もし超えていたら，正規化せずに過去データを
処理してしまった分，重みを補正
29

30.
Normalized Online Learning
2.0
................................
s2
wt+1 = wt
sD
⌘t g (@f2 (wt ), s1:D )
x2 = (2.0, 1.0, . . . , 5.0)
あとは，サンプルしてきたデータを使って，
正規化しながら確率的勾配法でアップデート
30

31.
Normalized Online Learning
• オンライン処理しながら自動で正規化
• スケールを（あまり）気にせず，SGDを回せるように！
• スケールも敵対的に設定されるRegret Boundの証明付き
Algorithm 1 NG(learning rate ⌘t )
Algorithm 2 NAG(learning rate ⌘)
1. Initially wi = 0, si = 0, N = 0
1. Initially wi = 0, si = 0, Gi = 0, N
2. For each timestep t observe example (x, y)
2. For each timestep t observe example
(a) For each i, if |xi | > si
(a) For each i, if |xi | > si
wi si
i. wi
|xi |
ii. si
|xi |
P
(b) y = i wi xi
ˆ
P x2
i
(c) N
N + i s2
wi s2
i
|xi |2
i. wi
ii. si
|xi |
P
(b) y = i wi xi
ˆ
P
(c) N
N+ i
(d) For each i,
i. wi
wi
x2
i
2
si
(d) For each i,
y ,y)
t
⌘t N s1 @L(ˆi
2
@w
i
31
i. Gi
Gi +
ii. wi
wi
i
⇣
@L(ˆ,y)
y
@wi
(Stéphane+ 13)より q t
⌘
N si
⌘2
1
p
@L
Gi @

32.
4. Linear Convergence SGD
32

33.
線形収束するSGD
•Plain SGDの収束速度
p
一般的な条件の下で凸関数 O(1/ T )
•
O(1/T )
滑らかで強凸
•
•使用データが予め固定されている場合
SGD+αで線形収束が可能に O(c )
•
•厳密な最適解を得たい場合もSGD+α
¯
f (w)
f (w⇤ )
T
33

34.
Stochastic Average Gradient
(Le Roux+ 12)
x1
x2
................................ xN
wt
34

35.
Stochastic Average Gradient
x1
x2
@f1 (·) @f2 (·)
................................ xN
................................ @fN (·)
wt
各データに，勾配保存用のボックスを一つ用意
35

36.
Stochastic Average Gradient
x1
x2
@f1 (·) @f2 (·)
................................ xN
................................ @fN (·)
wt
データを一つランダムにピックアップ
36

37.
Stochastic Average Gradient
x1
x2
@f2 (wold )
@f1 (·)
................................ xN
昔の勾配はステル
@f2 (wt )
................................ @fN (·)
wt
選んだデータに対応する勾配情報を更新
37

38.
Stochastic Average Gradient
x1
x2
................................ xN
新しい勾配もあれば
@f1 (·)
古い勾配もある
................................ @fN (·)
@f2 (wt )
wt+1 = wt
N
X
⌘t
@fn (·)
N n=1
全勾配情報を使って，重みベクトルを更新
38

39.
線形収束するSGD
•
•線形予測器ならば，一データにつきスカラー
f が強凸かつ各 fn (·) が滑らかな時，線形収束
(float/double)を一つ持てば良い
•正則化項を加えたい場合
•SAGでは，L1を使ったスパース化の収束性は
未証明 (近接勾配法)
•SDCA [Shalev+ 13], MISO[Mairal 13]
39

40.
まとめ
• SGD+α
• ステップ幅設定／自動正規化／線形収束化
• その他，特徴適応型のステップ幅調整／省メモリ化
等，SGD拡張はまだまだ終わらない
• フルスタックなSGDピザが出来る．．？
• 近いうちに，ソルバーの裏側でよしなに動いてくれ
る．．はず？
• そんなソルバーを募集中
40

41.
参考文献
•
L. Bottou, O.Bousquet, The Tradeoffs of Large-Scale Learning , Optimization for
Machine Learning, 2011.
•
•
L. Bottou, Stochastic Gradient Descent Tricks , Neural Networks, 2012.
Nikos Karampatziakis, John Langford, "Online Importance Weight Aware Updates", UAI,
2011.
•
John C. Duchi, Elad Hazan, Yoram Singer, "Adaptive Subgradient Methods for Online
Learning and Stochastic Optimization", JMLR, 2011.
•
Tom Schaul, Sixin Zhang and Yann LeCun., "No more Pesky Learning Rates", ICML,
2013.
•
•
Stéphane Ross, Paul Mineiro, John Langford, "Normalized Online Learning", UAI, 2013.
Nicolas Le Roux, Mark Schmidt, Francis Bach, Stochastic Gradient Method with an
Exponential Convergence Rate for Finite Training Sets , NIPS, 2012.
•
Shai Shalev-Shwartz, Tong Zhang, Stochastic Dual Coordinate Ascent Methods for
Regularized Loss Minimization , JMLR, 2013.
•
Julien Mairal, Optimization with First-Order Surrogate Functions , ICML, 2013.
41