《神经网络与深度学习》-无监督学习

  无监督学习（Unsupervised Learning，UL）是指从无标签的数据中学习出有用的模式，无监督学习算法一般直接从原始数据中学习，不需要标签。若监督学习是建立输入-输出之间的映射关系，那么无监督学习就是发现隐藏的数据中的有价值信息：有效特征、类别、结构、概率分布等。
  主要的几种无监督学习：

• 无监督特征学习（Unsupervised Feature Learning）是从无标签的训练数据中，挖掘有效的特征或表示，无监督特征学习一般用来进行降维、数据可视化、监督学习前期的数据预处理。

• 概率密度估计（Probabilistic Density Estimation）简称密度估计，是根据一组训练样本来估计样本空间的概率密度，密度估计由分为：参数密度估计、非参数密度估计。参数密度估计是建设训练样本服从某个已知概率密度形式的分布（如高斯分布），然后去学习概率密度的参数。非参数密度估计是不假设数据服从某个已知分布，只利用训练样本对密度进行估计，可进行任性形状的密度估计，常见方法有直方图、核密度估计等。

• 聚类（Clustering）是将一组样本数据根据一定的准则划分到不同的组（集群（Cluster））。一个比较通用的准则是组内样本相似度要高于组间样本的相似度。常见的聚类算法：K-Means、谱聚类。

  无监督学习方法也包含三个基本要素：模型、学习准则、优化算法。学习准则有最大似然估计、最下重构错误等。
  无监督特征学习中，常用学习准则为最小化重构错误、同时也经常对特征进行一些约束：独立性、非负性、稀释性等；
  密度估计中，常用学习准则为最大似然估计。

1. 无监督特征学习

  无监督特征学习，旨在无标注的数据汇总学习有效数据表示。无监督特征学习主要方法有主成分分析、稀疏编码、自编码器

1.1 主成分分析

  主成分分析（Principal Component Analysis，PCA）常用来数据降维，在转换后的空间中数据的方差最大。如图所示二维数据，将数据投影到一维空间中，选择数据方差最大的方向进行投影，能最大化数据差异性，保留更多的原始数据信息。

  假设一组 D 维的样本$x\text{x}x\in {\mathbb{R}}^D,1\le n\le N$，将其投影到 1 维空间中，投影向量为$w\text{w}w\in {\mathbb{R}}^D$。不失一般性，我们限制 $w\text{w}w$的模为1，即${w\text{w}w}^{T}w\text{w}w=1$。每个样本点 ${x\text{x}x}^{(n)}$ 投影之后的表示为：

$$z^{(n)}={w\text{w}w}^T{x\text{x}x}^{(n)}$$
  用矩阵 $X\text{X}X=[{x\text{x}x}^{(1)},{x\text{x}x}^{(2)},\cdots ,{x\text{x}x}^{(n)}]$ 表示输入样本，$\overline{x\text{x}x}=\frac{1}{N}{\sum }_{n=1}^N{x\text{x}x}^{(n)}$为原来样本的中心点，所有样本投影后的方差为：

其中 $\overline{X}=\overline{x\text{x}x}{1}_D^T$ 是向量 $\overline{x\text{x}x}$ 和 D 维全1向量 $1_D$的外积，即有 D 列 $\overline{x\text{x}x}$ 组成的矩阵，$\sum =\frac{1}{N}(X\text{X}X-\overline{X\text{X}X})(X\text{X}X-\overline{X\text{X}X}{)}^T$ 是原始样本的协方差矩阵。
  最大化投影方差 $\sigma (X\text{X}X;w\text{w}w)$ 并满足 ${w\text{w}w}^{T}w\text{w}w=1$，利用拉格朗日方法转化为无约束优化问题：

$$\underset{w}{\max }{w\text{w}w}^T\sum w\text{w}w+\lambda (1-{w\text{w}w}^{T}w\text{w}w)$$

其中 $\lambda$ 为拉格朗日乘子。对上式求导并令导数等于0，可得：

$$\sum w\text{w}w=\lambda w\text{w}w$$

从上式可知，$w\text{w}w$是协方差矩阵 $\sum$ 的特征向量。同时：

$$\sigma (X\text{X}X;w\text{w}w)={w\text{w}w}^T\sum w\text{w}w={w\text{w}w}^T\lambda w\text{w}w=\lambda$$

$\lambda$也是投射后样本的方差，因此，PCA可以转换成一个矩阵特征值分解问题，投影向量 $w\text{w}w$ 为矩阵 $\sum$ 的最大特征值对应的特征向量。
  如果要通过投影矩阵 $W\text{W}W\in R^{D\times D^{{}^{\prime }}}$ 将样本投到 $D^{{}^{\prime }}$维空间，投影矩阵满足 ${W\text{W}W}^{T}W\text{W}W=I\text{I}I$ 为单位矩阵，只需要将$\sum$的特征值从大到小排列，保留前 $D^{{}^{\prime }}$个特征向量，对应的特征向量即是最优的投影矩阵：

$$\sum W\text{W}W=W\text{W}Wdiag(\lambda )$$

其中 $\lambda \text{λ}\lambda =[{\lambda }_1,\cdots ,{\lambda }_{D^{{}^{\prime }}}]$ 为S的前 $D^{{}^{\prime }}$ 个最大的特征值。
  主成分分析，可作为监督学习的数据预处理方法，用来去噪声并减少特征之间的相关性，但不保证投影后的数据类别可分性更好，提高两类可分性的方法常为监督学习方法，如线性判别分析（Linear Discriminant Analysis，LDA）

1.2 稀疏编码

  稀疏编码（Sparse Coding）受哺乳动物视觉系统感受野启发建立的模型。外界信息经过编码后，只有小部分神经元激活，即外界刺激在视觉系统中的表示具有很高的稀疏性。编码的稀疏性在一定程度上符合生物学的低功耗特性。
  数学上，（线性）编码是指给定一组基向量 $A\text{A}A=[{a\text{a}a}_1,\cdots ,{a\text{a}a}_M]$，将输入样本$x\text{x}x\in {\mathbb{R}}^D$表示为这些基向量的线性组合：

其中基向量的系数$z\text{z}z=[{z\text{z}z}_1,\cdots ,{z\text{z}z}_M]$ 输入样本的编码(Encoding)，基向量 $A\text{A}A$ 也称为子典(Dictionary).
  编码是对 $D$ 维空间中的样本 $x\text{x}x$ 找到其在 P 维空间中的表示（或投影），其目标通常是编码的各个维度都是独立统计的，并且可以重构出输入样本。编码的关键是找到一组“完备”的基向量 $A\text{A}A$ ，比如主成分分析，但PCA得到的编码通常是稠密的

  为得到稀疏编码，需找到一组“过完备”的基向量（M>D）来进行编码，在过完备基向量之间常会存在一些冗余性，因此对一个输入样本，会存在很多有效的编码，如果加上稀疏性限制，可以减少解空间的大小，得到“唯一”的稀疏编码。
  给定一组N个输入 $[{x\text{x}x}^{(1)},\cdots ,{x\text{x}x}^{(N)}]$ ，其稀疏编码的目标函数定义为：

其中 $Z\text{Z}Z=[z^{(1)},\cdots ,z^{(N)}]$ ，$\rho (\cdot )$ 是一个稀疏性衡量函数，$\eta$是超参数，用来控制稀疏性的强度。
  对于一个给定的 $z\in {\mathbb{R}}^M$,其稀疏性定义为非零元素的比例。如果一个向量只有很少的几个非零元素，就说该向量稀疏。稀疏性衡量函数 $\rho (z\text{z}z)$ 是给向量 $z\text{z}z$一个标量分数，$z\text{z}z$越稀疏，$\rho (z\text{z}z)$越小。
  稀疏性衡量函数的多种选择，如 $l_0$ 范数：

$l_0$ 范数不满足连续可导，很难优化，实际中，稀疏性衡量函数常为 $l_1$范数：

稀疏性衡量函数或为对数函数：

稀疏性衡量函数或为指数函数：

1.2.1 训练方法

  给定一组 N 个输入向量 $\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$ ，需要同时学习基向量 $A\text{A}A$ 以及每个输入样本对应的稀疏编码 $\{{z\text{z}z}^{(n)}{\}}_{n=1}^N$
  稀疏编码的训练过程一般用交替优化的方法进行：

1. 固定基向量 $A\text{A}A$ ，对每个输入 ${x\text{x}x}^{(n)}$,计算其对应的最优编码：
   
2. 固定上一步得到的编码$\{{z\text{z}z}^{(n)}{\}}_{n=1}^N$，计算其最优的基向量：
   
   其中第二项为正则化项，$\lambda$为正则化项系数。

1.2.2 稀疏编码的优点

  稀疏编码的每一维都可以看做是一种特征，和基于稠密向量的分布式表示比，稀疏编码计算量小、可解释性强。
计算量 稀疏性可以极大地降低计算量
可解释性 稀疏编码只有少量非零元素，相当于每一个输入样本表示为少数几个相关的特征，可更好地描述其特征，并易于理解。
特征选择 稀疏性可实现特征的自动选择，只选择和输入样本最相关的少数特征，从而更高效地表示输入样本，降低噪声，减轻过拟合。

1.3 自编码器

  自编码器（Auto-Encoder，AE）是通过无监督的方式来学习一组数据的有效编码（或表示）。
  假设有一组D维的样本 ${x\text{x}x}^{(n)}\in {\mathbb{R}}^D，1\le n\le N$，自编码器将其映射到特征空间得到每个样本的编码 ${x\text{x}x}^{(n)}\in {\mathbb{R}}^M，1\le n\le N$，并希望这组编码可重构出原来的样本。

  自编码器的机构可分为两部分：

• 编码器（Encoder）：$f:{\mathbb{R}}^D\to {\mathbb{R}}^M$
• 解码器（Decoder）：$f:{\mathbb{R}}^M\to {\mathbb{R}}^D$

  自编码器的学习目标是最小化重构错误（Reconstruction Error）：

  如果特征空间的维度M小于原始空间维度D，自编码器相当于是一种降维或特征抽取方法，如果$M>D$，则可找到一组或多组解使得 $f\circ g$ 为单位函数（Identity Function），并使得重构错误为0，但这样的解无意义。但如果加上附加约束，则有意义，如编码的稀疏性、取值范围、$f$ 和$g$ 的具体形式等。我们可以让编码只取K个不同的值(K聚类问题。
  最简单的自编码器如图所示两层神经网络，输入层到隐藏层用来编码，隐藏层到输出层用来解码，层与层之间互相连接：

  对于样本 $x\text{x}x$，自编码器的中间隐藏层的活性值为 $x\text{x}x$ 的编码，即：

自编码器的输出为重构的数据：

其中 ${W\text{W}W}^{(1)}，{W\text{W}W}^{(2)}，{b\text{b}b}^{(1)}，{b\text{b}b}^{(2)}$ 是网络参数，$f(\cdot )$为激活函数，如果令${W\text{W}W}^{(2)}={W\text{W}W}^{(1{)}^T}$，则称为捆绑权重（Tied Weight）。捆绑权重自编码器的参数更少，因此更容易学习。此外，捆绑权重还在一定程度上起到正则化的作用。
  对于样本 ${x\text{x}x}^{(n)}\in [0,1{]}^D,1\le n\le N$，其重构错误为：

通过最小化重构错误，可以有效地学习网络的参数。
  使用自编码器是为了得到有效的数据表示，训练结束后，一般去掉解码器，只保留编码器，编码器的输出可直接作为后续机器学习模型的输入。

1.4 稀疏自编码器

  自编码器既能学习低维编码，也能学习高维稀疏编码，假设中间隐藏层 $z\text{z}z$ 的维度 M 大于输入样本 $x\text{x}x$ 的维度 D ，并让 $z\text{z}z$ 尽量稀疏，这就是稀疏自编码（Sparse Auto-Encoder）。类似稀疏编码，稀疏自编码可解释性高，进行了隐式特征选择。
  通过给自编码器隐藏层单元 $z\text{z}z$ 加上稀疏性限制，自编码器可以学习到数据中一些有用的结构。给定 N 个训练样本 $\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$，稀疏自编码器的目标函数为：

其中 $Z\text{Z}Z=[{z\text{z}z}^{(1)}、\cdots 、{z\text{z}z}^{(N)}]$表示所有训练样本的编码，$\rho (Z)$ 为稀疏性度量函数，$W\text{W}W$表示自编码器中的参数。
  稀疏性度量函数 $\rho (Z)$ 分别计算每个编码 ${z\text{z}z}^{(n)}$的稀疏度，再进行求和，此外， $\rho (Z)$ 还可以定义为一组训练样本中每一个神经元激活的概率。

  给定N个训练样本，隐藏层第 j 个神经元平均活性值为：

其中 $\widehat{{\rho }_j}$ 可近似看做是第 j 个神经元激活的概率，我们希望 $\widehat{{\rho }_j}$ 接近于一个事先给定的值 ${\rho }^{\ast }$,如0.05，可以通过KL距离来衡量 $\widehat{{\rho }_j}$ 与 ${\rho }^{\ast }$ 的差异：

如果 $\widehat{{\rho }_j}={\rho }^{\ast }$ ，则 $KL({\rho }^{\ast }||\widehat{{\rho }_j})=0$
  稀疏性度量函数定义为：

1.5 堆叠自编码器

  对很多数据来说，两层神经网络的自编码器不足以获取好的数据表示，因此，可以更深的网络，这样提取的数据表示更抽象，能很好捕捉到数据的语义信息。实践中，常用逐层堆叠的方式来训练一个深层的自编码器，称为堆叠自编码器（Stacked Auto-Encoder，SAE），常采用逐层训练（Layer-Wise Training）来学习网络参数。

1.6 降噪自编码器

  有效的数据表示除最小重构错误、稀疏性，有时还要具备对数据部分损坏（Partial Destruction）的鲁棒性，高维数据（比如图像）一般都具有信息冗余，如常可根据一张部分损坏的图像联想出完整内容，故也希望自编码器也能够从损坏的数据中得到有效的数据表示，并能恢复出完整的原始信息。
  降噪自编码器（Denoising Auto-Encoder）是通过引入噪声来增加编码鲁棒性的自编码器，并能提高模型泛化能力。对于一向量 $x\text{x}x$,我们首先根据一比例$\mu$随机将$x\text{x}x$的一些维度的值设为0，得到一个被损坏的向量 $\tilde{x}$,然后将被损坏的向量$\tilde{x}$输入给自编码器得到编码 $z\text{z}z$,并重构出原始的无损输入 $x\text{x}x$。
  自编码器与降噪编码器的对比如下，$f_{\theta }$ 为编码器，$g_{{\theta }^{{}^{\prime }}}$ 为解码器，$L(x\text{x}x,{x\text{x}x}^{{}^{\prime }})$ 为重构错误：

2. 概率密度估计

  概率密度估计（Probabilistic Density Estimation），简称密度估计（Density Estimation），基于一些观测样本来估计一个随机变量的概率密度函数。密度估计方法分为：参数密度估计、非参数密度估计

2.1 参数密度估计

  参数密度估计（Parametric Density Estimation）根据先验知识假设随机变量服从某种分布，然后通过训练样本来估计分布的参数。
  令 $D=\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$为从某个未知分布中独立抽取的N个训练样本，假设这些赝本服从一个概率分布函数 $p(x\text{x}x;\theta )$,其对应似然函数为：

我们要估计一个参数 ${\theta }^{ML}$ 来使得：

这样参数估计问题转化为最优化问题。

2.1.1 正太分布

  假设样本 $x\text{x}x\in {\mathbb{R}}^D$ 服从正太分布：

其中$\mu$和$\sum \text{∑}\sum$ 是均值和方差。
  数据集 $D=\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$的对数似然函数为：

  分别求上式关于$\mu$和$\sum \text{∑}\sum$ 的偏导数，并令其等于 0，可得到：

2.1.2 多项分布

  假设样本服从K个状态的多项分布，令one-hot向量 $x\text{x}x\in \{0,1{\}}^K$来表示第k个状态，即 $x_k=1$,其余 $x_i=0,i\ne k$。样本 $x\text{x}x$ 的概率密度函数为：

其中 ${\mu }_k$ 为第 k 个状态的概率，并满足 ${\sum }_{k=1}^K{\mu }_k=1$.
  数据集 $D=\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$的对数似然函数为：

  多项分布的参数估计为约束优化问题，引入拉格朗日乘子 $\lambda$，将原问题转换为无约束优化问题：

分别求上式关于 ${\mu }_k$, $\lambda$的偏导数，并令其等于0，可得到：

其中 $m_k={\sum }_{n=1}^N{x}_k^{(n)}$ 为数据集汇总取值为第k个状态的样本数量。

  参数密度估计存在的问题：

• 模型选择问题：即如何选择数据分布的密度函数，实际数据的分布复杂，不是简单的正太分布或多项分布。
• 不可观测变量问题：即用来训练的样本只包含部分的可观测变量，有一些关键的变量无法预测，这导致很难准确估计数据的真实分布。
• 维度灾难问题：高维数据的参数估计十分困难，随维度增加，估计参数所需的样本数量指数增加，样本不足时，出现过拟合。

2.2 非参数密度估计

  非参数密度估计（Nonparametric Density Estimation）不事先假设数据的分布，通过将样本空间会分为不同的区域并估计每个区域的概率，来近似数据的概率密度函数。
  对于高维空间的随机变量$x\text{x}x$,假设其服从一个未知分布 $p(x)$,则$x\text{x}x$落在空间中的小区域R的概率：

  给定N个训练样本，$D=\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$，落入区域R的样本数量K服从二项分布：

其中 K/N 的期望为 P, 方差为 $var(K/N)=P(1-P)/N$ 当N非常大时，我们可以近似认为：

  假设区域R足够小，其内部的概率密度相同，则有：

其中 V 为区域 R 的体积，结合上述公式，得到：

  要准确估计 $p(x\text{x}x)$,需尽量使用样本数量N足够大，区域体积V尽可能小，实际中，样本数量有限，过小区域会导致落入该区域的样本比较少，这样估计的概率密度不太准确，故实践中，非参数密度估计有两种方式：

• 固定区域大小V，统计落入不同区域的数量，这种方式包括直方图方法和核方法
• 改变区域大小V，使落入每个区域的样本数量为K，这种方式为K近邻方法。

2.2.1 直方图法

  直方图方法（Histogram Method）是直观的估计连续变量密度函数的方法，可表示为一种柱状图。
  以一维随机变量为例，首先将取值范围分为 M 个连续的、不重叠的区间，每个区间宽度为 ${\Delta }_m$。对于给定的训练样本$D=\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$，统计这些样本落入每个区间的数量$K_m$,然后将它们归一化为密度函数：

其中区间宽度 ${\Delta }_m$常设为相同的值 $\Delta$,直方图方法的关键问题是如何选择一个合适的区间宽度 $\Delta$，如果$\Delta$太小，落入每个区间的样本数量会比较少，其估计的区间密度也有很大的随机性；如果$\Delta$太大，其估计的密度函数将变得十分平滑，很难反映真实数据分布。图示如下：蓝线表示真实的密度函数、红色的柱状图为估计的密度。

  直方图难以用来处理低维变量，可以很快速地对数据的分布进行可视化，但很难拓展到高维变量。假设一个D维随机变量，如果每一维都划分为M个区间，那么整个空间的区间数量为 $M^D$个，直方图方法需要的样本数量会随着维度D的增加而指数增长，从而导致维度灾难。

2.2.2 核方法

  核密度估计（Kernel Density Estimation），也叫Parzen 窗方法，是一种直方图方法的改进。
  假设R为D维空间中的一个以点 x 为中心的“超立方体”，并定义核函数：

来表示一个样本 $z\text{z}z$ 是否落入该超立方体中，其中 H 为超立方体边长，也叫核函数的宽度。
  给定的训练样本$D=\{{x\text{x}x}^{(n)}{\}}_{n=1}^N$，落入区域 R 的样本数量 K 为：

则点 x 的密度估计为：

其中 $H^D$ 表示超立方体R的体积。

  除超立方体核函数，还可以选择更平滑的核函数，如高斯核函数：

其中 $h^2$ 可看做是高斯核函数的方差，这样，点x的密度估计为：

  核密度估计方法中的核宽度是固定的，因此同一个宽度可能对高密度的区域过大，而对低密度的区域过小。

2.2.3 K近邻方法

  设置可变宽度的区域，并使落入每个区域中样本数量为固定的K，要估计x的密度，先找到一个以x为中心的球体，使得落入球体的样本数量为 K ，根据 $p(x)\approx \frac{K}{NV}$ 可计算点x的密度，因为落入球体的样本也是离x最近的K个样本，故此方法称为 K近邻方法（K-Nearest Neighbor）。
  KNN中，K的选择很关键，K太小，无法有效估计密度函数；K太大，也会使得局部的估计不准确，增加计算开销。
  KNN常用于分类，K=1时，为最近邻分类器，最近邻分类器的一个性质是，当 $N\to \infty$时，其分类错误率不超过最优分类器错误率的两倍。