2019/09/13 Deep Learning JP: http://deeplearning.jp/seminar-2/

1. DEEP LEARNING JP
[DL Papers]
相互情報量最大化による表現学習
Yusuke Iwasawa, Matsuo Lab
http://deeplearning.jp/

2. 相互情報量関連論文（前々回の輪読で話したやつ）
• “Learning deep representations by mutual information estimation and maximization”
(ICLR2019)
• “Mutual Information Neural Estimates” (ICML2018)
• “Representation Learning with Contrastive Predictive Coding” (NIPS2018)
• “On variational lower bounds of mutual information” (NIPS2018, workshop)
• “Emergence of Invariance and Disentanglement in Deep Representations ” (JMLR)
• “Deep Variational Information Bottleneck” (ICLR2017)
• ” Variational Discriminator Bottleneck: Improving Imitation Learning, Inverse RL, and
GANs by Constraining Information Flow” (ICLR2019, poster)
• “Fixing a Broken ELBO” (ICML2018)
• “MAE: Mutual Posterior-Divergence Regularization for Variational AutoEncoders”
(ICLR2019, poster)
• “EnGAN: Latent Space MCMC and Maximum Entropy Generators for Energy-based
Models” (ICLR2019, reject)
• “Deep Graph Info Max” (ICLR2019, poster)
• “Formal Limitations on the Measurement of Mutual Information” (ICLR2019 Reject) 2
メインで話す
少しだけ触れる

3. 相互情報量最大化による表現学習系の最近の文献
• “Learning Representations by Maximizing Mutual Information”, NIPS2019
• “On Variational Bounds of Mutual Infromation”, ICML2019
• “Greedy InforMax for Biologically Plausible Self-Supervised Representation Learning”,
NIPS2019
• “On Mutual Information Maximization for Representation Learning”
• “Region Mutual Information Loss for Semantic Segmentation”, NIPS2019
• （あとで追加）
3

4. Outline
• 背景：表現学習、相互情報量、対照推定
• 論文１：“Learning Representations by Maximizing Mutual
Information”, NIPS2019
• 論文２：“Greedy InfoMax for Biologically Plausible Self-
Supervised Representation Learning” (NIPS2019)
• 論文３：“On Mutual Information Maximization for Representation
Learning”
4

5. 表現学習（Representation Learning）
5
Bengio先生のスライドより抜粋

6. 教師なし表現学習
• 教師あり表現学習
– 興味のあるタスクラベルが事前にわかっている
– 例：Image Netでは
– こういう問題設定では、すでに人間を超える精度
• 教師なし表現学習
– 興味のあるタスクラベルは事前にわかっていない
– 再利用可能な表現を観測からどう見つけるか
6

7. （深層）生成モデルによる教師なし表現学習 2013 ~
• 右のような生成過程を考える
• log 𝑝 𝑥 = 𝑝 𝑥 𝑧 𝑑𝑧
• 良い生成を与えるような表現を学習する
• VAE系やGAN系など多数
– [Kingma+ 14] VAE
– [Donahue+ 17] bidirectional GAN
– [Dumoulin+ 17] adversarial learned inference
7
𝑥
𝑧

8. Large Scale Adversarial Representation Learning, NIPS2019
8
Jeff Donahue, Karen Simonyan, DeepMind
• 左上：提案手法
• 左下：Image Net、教師なしで
SoTA
• 右上：生成画像もきれい
（Unconditional）

9. 相互情報量最大化による表現学習
• 相互情報量の定義
𝐼 𝑋, 𝑍 =
𝑥,𝑧∈𝒳,𝒵
𝑝 𝑥, 𝑧 log
𝑝(𝑥, 𝑧)
𝑝 𝑥 𝑝(𝑧)
𝑑𝑥 𝑑𝑧
• 解釈：確率変数XがYについての情報をどれくらい持つか
• 性質
– (1) 𝐼 𝑋, 𝑍 ≥ 0
– (2) 𝐼 𝑋, 𝑍 = 𝐻 𝑍 − 𝐻 𝑍 𝑋 = 𝐻 𝑋 − 𝐻 𝑋 𝑍 = 𝐼(𝑍, 𝑋)
– (3) 𝐼 𝑋, 𝑍 = 0 𝑖𝑓𝑓. 𝑋 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡 𝑡𝑜 𝑍
• 問題：どうやって計算するのか（Xは観測、Zは特徴量で高次限） 9

10. 相互情報量最大化と再構築誤差
𝐼 𝑋, 𝑍 = 𝔼 𝑝 𝑥,𝑧 log
𝑝 𝑥|𝑧 𝑝(𝑧)
𝑝 𝑥 𝑝 𝑧
= 𝔼 𝑝 𝑥,𝑧 log
𝑝 𝑥 𝑧 𝑞(𝑥|𝑧)
𝑝 𝑥 𝑞 𝑥|𝑧
= 𝔼 𝑝 𝑥,𝑧 log
𝑞(𝑥|𝑧)
𝑝 𝑥
+ 𝐾𝐿(𝑝(𝑥|𝑧)||𝑞 𝑥 𝑧 )
≥ 𝔼 𝑝 𝑥,𝑧 log 𝑞 𝑥 𝑧 + ℎ(𝑋)
10
負の再構築誤差 (Distortion)
• 詳しくは[Poole+18] “On Variational Bounds of MI”, [Alemi+17] “Fixing Broken
Elbo”
• q(x|z)がtractableなら良い（が高次限の出力に難？
• 例：動画の生成

11. q(x|z)によらない近似：p(z)を近似分布r(z)に置き換える
𝐼 𝑋, 𝑍 =
𝑥,𝑧∈𝒳,𝒵
𝑝 𝑥, 𝑧 log
𝑝(𝑥, 𝑧)
𝑝 𝑥 𝑝(𝑧)
𝑑𝑥 𝑑𝑧
=
𝑥,𝑧∈𝒳,𝒵
𝑝 𝑧|𝑥 𝑝(𝑥) log
𝑝 𝑧 𝑥 𝑝(𝑥)
𝑝 𝑥 𝑝(𝑧)
𝑑𝑥 𝑑𝑧
≤
𝑥,𝑧∈𝒳,𝒵
𝑝 𝑧|𝑥 𝑝(𝑥) log
𝑝 𝑧 𝑥
𝑟(𝑧)
𝑑𝑥 𝑑𝑧
• 利用例：Variational Information Bottoleneck（I(X,Z)を制限）
• 問題：上界なので最大化しても意味がない（下界がほしい）
11

12. MIの下界を抑える研究郡
12
• [Poole+18] “On Variational Bounds of MI”より抜粋
• いろいろな推定方法とその問題点がまとまっている
（どの下界が良いのかは今回は話しません）

13. MIを最大化する手法の基本的な考え方：対照推定
• 求めたいのは𝐼 𝑋, 𝑍 = 𝔼 𝑝 𝑥,𝑧 log
𝑝 𝑥|𝑧 𝑝(𝑧)
𝑝 𝑥 𝑝 𝑧
– 同時分布𝑝 𝑥, 𝑧 と、周辺分布の積𝑝 𝑥 𝑝 𝑧 が区別できれば良い
• 同時分布から得られたペア{x,z}と適当なp(z)からサンプルしたz’と
xのペア{x,z’}が区別できれば良い
– p(x)p(z)とp(x,z)を対照推定
• 適当な𝑓𝜃(𝑥, 𝑧)を用意して、{x,z}と{x, z’}の差が大きくなるように
𝑓𝜃(𝑥, 𝑧)自身とエンコーダ: X->Zを学習
13

14. 具体例 (“On Variational Bounds of MI”より抜粋）
14
• ZではなくYで表されているが基本的には同じ
• f(x, y)の置き方によっていろいろな亜種が導ける

15. 具体例：Contrastive Predictive Coding [Oord+18]
15
手法：時刻Tまでの系列の埋め込みcから、未来の
潜在表現zを予測（zとcの相互情報量を最大化）
系列は一貫した情報を表しているはずというpriorを
使っている
テキスト
音声

16. 具体例：Contrastive Predictive Coding [Oord+18]
画像データの場合
16
手法：重なりありでパッチに切って系列っぽく扱う

17. 具体例：DeepInfoMax [Hjelm+19]
17
手法：画像全体の特徴量yとロー
カルな特徴量を対照推定
（画像のローカルな特徴はグ
ローバルな特徴と一致してほし
いと言うpriorを使ってる）

18. 実験：CIFAR10、SVMで分類
18
バク上がり、他にもたくさん実験あるが割愛

19. ここまでまとめ
• 教師なし表現学習は未解決問題
• デコーダを使わない手法として、対照推定に基づく手法が
近年登場 => 精度大幅な改善
• 具体例：対照推定のときに使っているpriorが異なる
– CPC [Oord+18]
– Deep InfoMax [Hjelm+19]
– など
19

20. Outline
• 背景：表現学習、相互情報量、対照推定
• 論文１：“Learning Representations by Maximizing Mutual
Information”, NIPS2019
• 論文２：“Greedy InfoMax for Biologically Plausible Self-
Supervised Representation Learning” (NIPS2019)
• 論文３：“On Mutual Information Maximization for Representation
Learning”
20

21. 書誌情報
21
• 基本的には巨大なDeep InfoMax + 細かい工夫
• Image Netで教師なし学習＋線形分類で68.1%
– Top1正解率のベースラインを7%改善
• 実装が公開されている（ https://github.com/Philip-Bachman/amdim-public）

22. 工夫１：巨大なエンコーダ
22

23. 余談：Tesla V100×8は人権
“We train our models using 4-8 standard Tesla
V100 GPUs per model. Other recent, strong
self-supervised models are nonreproducible on
standard hardware.”
23

24. 工夫２：DIM across Views
24
1. 異なるデータ拡張で画像Xから
X1とX2を得る
2. X1からはSummary Vector cを得る
3. X2からはLocal Vector z_i,jを得る
4. 異なる画像X’と適当なデータ拡張で
得たz’_i,jと対照推定

25. 工夫３：Multiscale Mutual Information
25
固定化した層を使って予測するので
はなく、複数の層間で予測
実験では {1, 5}{1, 7}{5, 5}間で予測
（数字は受容野の大きさ）

26. 工夫４：Mixture-Based Representations
• 各層の特徴量𝑓𝑖を適当な関数𝑚 𝑘に通して混合特徴ベクトル
𝑓𝑖
1
, 𝑓𝑖
2
, … 𝑓𝑖
𝑘
= 𝑚 𝑘(𝑓𝑖)を得る
• これを各層でやって、NCE誤差（MIの下界）を重み付けする
（重みが下の式）
• 気持ちとしては、NCEが大きい特徴を選択するようになる
• （ただそれだとGreedyになるからとH(q)を足してたりよくわからない
26

27. 実験：ImageNet, Places205
27

28. 実験：CIFAR
28

29. まとめ
• Local DIMを拡張
– 巨大なエンコーダ
– Data Augmentation Prior
– Multiscale Predictions
– Mixture-based representations
• Image Netで教師なしSoTA
• （結局どれが効いているのかはよくわからない）
29

30. Outline
• 背景：表現学習、相互情報量、対照推定
• 論文１：“Learning Representations by Maximizing Mutual
Information”, NIPS2019
• 論文２：“Greedy InfoMax for Biologically Plausible Self-
Supervised Representation Learning” (NIPS2019)
• 論文３：“On Mutual Information Maximization for Representation
Learning”
30

31. 書誌情報
31
• MI最大化に従って、各層を独立に訓練
• 独立に訓練することで、独立に学習可能、メモリ効率がよくなる、勾配消失が
原理的に起こらないなどの潜在的な利点がある

32. 提案手法：Greedy InfoMax
32
• 基本は各モジュールごとに勾配を止めるだけ
• 各モジュールは接続された下位モジュールの出力でCPC

33. 実験結果（STL10）
33
CPCやSupervisedより高精度
※ Greedy Supervisedの手続きがよくわからない（適宜固定？）

34. 実験結果（LibriSpeech)
34
CPCや教師ありよりはやや悪いがまぁまぁ良い

35. まとめ
• 層ごとの学習にMIの最大化を利用するGreedy InfoMaxを提案
– CPCベース
• 音声や画像タスクでCPCや全教師ありとComparable
• 特にNCE系の損失はメモリ効率が悪いことが多いので、実用的に
も使える場面はあるかもしれない
（学習遅くなる気がするが）
35

36. Outline
• 背景：表現学習、相互情報量、対照推定
• 論文１：“Learning Representations by Maximizing Mutual
Information”, NIPS2019
• 論文２：“Greedy InfoMax for Biologically Plausible Self-
Supervised Representation Learning” (NIPS2019)
• 論文３：“On Mutual Information Maximization for Representation
Learning”
36

37. 書誌情報
37
• 最近のMI系の手法が、本当にMIを最大化しているから良いのか？と
言うことに疑問を投げかける実験論文
• まだ採録されたわけではない（と思う）

38. 実験１：可逆なエンコーダを利用したMI最大化
• Flow Basedな手法（例えばRealNVP[Dinh+16]）はInvertible（可逆）
• 可逆変換fをかませたz = f(x)を考えると、MI(X;Z)は常に最大
• 可逆変換なfをMI最大化で学習させるとどうなるか？
（MI最大化系の研究が本当に単にMIの最大化なら、精度は変わら
ないはず
38

39. 実験１の結果
39
• (a)MIの推定はほぼコンスタント、(b)一方精度は改善
• 単にMIの最大化という観点だけでは説明できない？

40. 実験２：異なるf(x,y)の形による分類精度とMI
40
• (左)分類精度はBilinearかSeparableがよい
• (右)MIの値はMLPが良い
• MIが高い表現ほど悪い？？？

41. 実験３：ネットワーク構造の重要性
41
• (左)NCEを使った場合、（右）NWJを使った場合の精度比較
• どちらの損失を使うかより、ネットワーク構造の選び方が支配的

42. まとめ
• 最近の精度向上が本当にMIの最大化と言う観点から説明できる
のか？についての実験的な検証
• ネットワーク構造が支配的に重要というのは自分が実験したとき
もそうだったので多分そう
• MIを本当に最大化しているのかというより、MI最大化の上で良い
Priorをどう入れるかが重要？
42

43. 全体まとめ
• 相互情報量最大化による教師なし表現学習の最近の話題につい
てまとめた
– 2018年：MI(X,Z)の下界について
– 2019年：どういうネットワーク構造を使うか、どう言うpriorを入れるか
• ImageNet・教師なしで大きな進展
• 感想：MI最大化自体はきれいだが、それ自体というよりは
構造的なpriorをどう入れ込むかが重要
– Global特徴の選び方、対照方法など
43