神经网络与深度学习5---循环神经网络

本文是邱锡鹏教授撰写的《神经网络与深度学习》一书中 第6章：循环神经网络 的读书笔记，主要内容是一些本人觉得比较值得记录的内容，中间也会包括一些拓展和思考。

循环神经网络

传统的前馈神经网络在处理带有时序的数据（例如文本，语音等）时往往能力有限：1. 由于其全连接的结构使得无法学到数据的时序信息，2. 时序数据的输入长度通常是不定的，而前馈神经网络的输入是定长的。针对以上这些特性，研究员们推出了一类称为 循环神经网络 的深度模型结构。其主要模块结构如下：

写成数学表达式即为：
$${\mathbf{h}}^{(t)}=f({\mathbf{h}}^{(t-1)},{\mathbf{x}}^{(t)};\Theta )$$

为了让模型能够处理不定长的序列，其中 函数 $f$ 的参数 $\Theta$ 在所有时间步 $t$ 上是共享的。通过这个模块结构，循环神经网络同时解决了 无法学到时序信息 和 输入不定长 两个问题。

---

参数量

以最简单的单隐藏层RNN为例，输入层大小是：step_size $\times$ batch_size $\times$ vocab_size = s $\times$ b$\times$ v

输入层到隐藏层的公式为：
$${\mathbf{H}}_t=\varphi ({\mathbf{X}}_t\mathbf{U}+{\mathbf{H}}_{t-1}\mathbf{W}+{\mathbf{b}}_h)$$

其中 ${\mathbf{X}}_t\in {\mathbb{R}}^{b\times v}$，$\mathbf{U}\in {\mathbb{R}}^{v\times h}$，${\mathbf{H}}_t,{\mathbf{H}}_{t-1}\in {\mathbb{R}}^{b\times h}$，$\mathbf{W}\in {\mathbb{R}}^{h\times h}$。因此该层参数量为 $v\times h+h\times h+h$。

隐藏层到输出层公式为：
$${\mathbf{O}}_t=\text{softmax}({\mathbf{H}}_t\mathbf{V}+{\mathbf{b}}_o)$$

其中 ${\mathbf{H}}_t\in {\mathbb{R}}^{b\times h}$， $\mathbf{V}\in {\mathbb{R}}^{h\times o}$，${\mathbf{O}}_t\in {\mathbb{R}}^{b\times o}$。因此该层参数量为 $h\times o+h$。由于输出维度 $b\times o$ = batch_size $\times$ vocab_size，即 ${\mathbf{O}}_t$ 每一行为词表内所有词在位置 t 出现的概率大小。

计算参数量时，只需考虑一个时间步所需的参数，因为所有时间步是共享参数的。

---

梯度不稳定性（长程依赖问题）

仍以上述单隐藏层RNN为例，在不影响我们对反向传播过程分析的情况下，考虑偏置都为零，激活函数 $\varphi (x)=x$，那么有：

$$\begin{array}{rl}{\mathbf{h}}_t& ={\mathbf{x}}_t\mathbf{U}+{\mathbf{h}}_{t-1}\mathbf{W}\\ {\mathbf{o}}_t& ={\mathbf{h}}_t\mathbf{V}\end{array}$$

目标函数的总体损失，是所有时间步上损失的均值：
$$L=\frac{1}{T}\sum _{t=1}^{T}l({\mathbf{o}}_t,y_t)$$

输出层参数 $\mathbf{V}$ 的梯度计算比较简单：
$$\frac{\partial L}{\partial \mathbf{V}}=\sum _{t=1}^T\frac{\partial L}{\partial {\mathbf{o}}_t}\cdot \frac{\partial {\mathbf{o}}_t}{\partial \mathbf{V}}=\frac{1}{T}\sum _{t=1}^T{\mathbf{h}}_t^T\frac{\partial l({\mathbf{o}}_t,y_t)}{\partial {\mathbf{o}}_t}$$

对于隐藏层，目标函数 $L$ 通过隐状态 ${\mathbf{h}}_1,\cdots ,{\mathbf{h}}_T$ 依赖于隐藏层参数 $\mathbf{U},\mathbf{W}$，那么应用链式法则有：
$$\begin{array}{rl}\frac{\partial L}{\partial \mathbf{U}}& =\sum _{t=1}^T\frac{\partial L}{\partial {\mathbf{h}}_t}\cdot \frac{\partial {\mathbf{h}}_t}{\partial \mathbf{U}}=\sum _{t=1}^T{\mathbf{x}}_t^T\frac{\partial L}{\partial {\mathbf{h}}_t}\\ \frac{\partial L}{\partial \mathbf{W}}& =\sum _{t=1}^T\frac{\partial L}{\partial {\mathbf{h}}_t}\cdot \frac{\partial {\mathbf{h}}_t}{\partial \mathbf{W}}=\sum _{t=1}^T{\mathbf{h}}_{t-1}^T\frac{\partial L}{\partial {\mathbf{h}}_t}\end{array}$$

下面只需要计算 $\frac{\partial L}{\partial {\mathbf{h}}_t}$。观察循环神经网络的参数流动，不难发现目标函数 $L$ 对 ${\mathbf{h}}_t$ 的依赖有两条路径 ：${\mathbf{h}}_t\to {\mathbf{o}}_t\to L$ 以及 ${\mathbf{h}}_t\to {\mathbf{h}}_{t+1}\to {\mathbf{o}}_{t+1}\to L$，那么：
$$\frac{\partial L}{\partial {\mathbf{h}}_t}=\frac{\partial L}{\partial {\mathbf{o}}_t}\cdot \frac{\partial {\mathbf{o}}_t}{\partial {\mathbf{h}}_t}+\frac{\partial L}{\partial {\mathbf{h}}_{t+1}}\cdot \frac{\partial {\mathbf{h}}_{t+1}}{\partial {\mathbf{h}}_t}=\frac{\partial L}{\partial {\mathbf{o}}_t}{\mathbf{V}}^T+\frac{\partial L}{\partial {\mathbf{h}}_{t+1}}{\mathbf{W}}^T$$

上式满足等比关系，将其展开递归计算得：
$$\frac{\partial L}{\partial {\mathbf{h}}_t}=\sum _{i=t}^T(\mathbf{W}{)}^{T-i}\mathbf{V}\frac{\partial L}{\partial {\mathbf{o}}_{T+t-i}}$$

因此当 $T-i$ 足够大时，矩阵 $\mathbf{W}$ 小于1的特征值趋于消失，大于1的特征趋于发散，这会导致数值的不稳定。

代回到隐藏层参数的梯度 $\frac{\partial L}{\partial \mathbf{U}}，\frac{\partial L}{\partial \mathbf{W}}$，当时间步 $t$ 距离 $T$ 比较远时， 这个时间步位置的梯度 ${\mathbf{x}}_t^T\frac{\partial L}{\partial {\mathbf{h}}_t}，{\mathbf{h}}_{t-1}^T\frac{\partial L}{\partial {\mathbf{h}}_t}$容易产生梯度消失和梯度爆炸的现象，导致难以建模这种长距离的依赖关系。（注：由于总梯度是各个时间步梯度分量的和，因此总梯度并不会消失，只是被近距离梯度所主导了）

由于RNN是在时间步上循环的，理论上这个循环可以发生在全数据集上，也就是说隐状态可以从数据集的第一个词循环流动到最后一个词。但这样会导致计算量巨大并且更容易发生梯度消失或梯度爆炸，因此一种常见的做法是在每一个batch结束时分离梯度，也就是说 $T-i\le$ 截断长度 $\sigma$。这样会使得该模型主要侧重于短期影响，而不是长期影响。 这在现实中是可取的，因为它会将估计值偏向更简单和更稳定的模型。

---

基于门控的循环神经网络

前面提到减轻梯度消失or爆炸的一种方式是适当得分离梯度，也就是说放弃长期的历史影响，只保留短期的历史影响。但现实的情况可能是更复杂的：

1. 某些早期词元对于后面词元的预测有非常重要的影响，我们希望有某种机制能够在一个记忆元里存储重要的早期信息。
2. 一些词元没有相关的观测值。 例如，在对网页内容进行情感分析时， 可能有一些辅助HTML代码与网页传达的情绪无关。 我们希望有一些机制来跳过隐状态表示中的此类词元。

针对上面的需求，研究人员设计出了一系列基于“门控”的循环神经网络，这些“门”的主要作用就是控制每一个时间步历史信息的去留。下面介绍两类有代表性的门控系统：

LSTM

LSTM在隐状态 ${\mathbf{h}}_t$ 和输入特征 ${\mathbf{x}}_t$ 之外还引入了一个新单元：记忆单元 ${\mathbf{c}}_t$。并且隐状态 ${\mathbf{h}}_t$ 直接由记忆单元 ${\mathbf{c}}_t$ 决定：
$${\mathbf{h}}_t={\mathbf{o}}_t\odot \text{tanh}({\mathbf{c}}_t)$$

其中 $\odot$ 指按元素乘积。 注意上式的 ${\mathbf{o}}_t$ 不是上一节中使用的输出层神经元，而是LSTM中的“输出门控单元”。

记忆单元 ${\mathbf{c}}_t$ 顾名思义，是用来控制输入和遗忘（跳过）的单元，它记录了到当前步为止的历史信息，具体定义为：
$${\mathbf{c}}_t={\mathbf{f}}_t\odot {\mathbf{c}}_{t-1}+{\mathbf{i}}_t\odot \widetilde{{\mathbf{c}}_t}$$

其中 ${\mathbf{f}}_t$ 是 “遗忘门控单元”，${\mathbf{i}}_t$ 是 “输入门控单元”。而 $\widetilde{{\mathbf{c}}_t}$ 称为 “候选记忆单元”，它是上一时间步隐状态 ${\mathbf{h}}_{t-1}$ 和该时间步输入特征 ${\mathbf{x}}_t$ 的非线性函数：
$$\widetilde{{\mathbf{c}}_t}=\text{tanh}({\mathbf{x}}_t{\mathbf{U}}_c+{\mathbf{h}}_{t-1}{\mathbf{W}}_c+{\mathbf{b}}_c)$$

到此为止，我们就引出了LSTM中定义的全部三个门控单元：

• 遗忘门控单元 ${\mathbf{f}}_t$，用于控制上一个时间步记忆单元 ${\mathbf{c}}_{t-1}$ 对当前时间步记忆单元 ${\mathbf{c}}_t$ 的影响
• 输入门控单元 ${\mathbf{i}}_t$，用于控制当前时间步候选记忆单元 $\widetilde{{\mathbf{c}}_t}$ 对当前时间步记忆单元 ${\mathbf{c}}_t$ 的影响
• 输出门控单元 ${\mathbf{o}}_t$，用于控制当前时间步记忆单元 ${\mathbf{c}}_t$ 有多少信息要输出给当前步隐状态 ${\mathbf{h}}_t$

标准的“门”应该是一个{0，1}的二值函数，但是为了求导方便，以及门控的灵活性，我们使用sigmiod函数来模拟“门”的效果：
$$\begin{array}{rl}{\mathbf{f}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_f+{\mathbf{h}}_{t-1}{\mathbf{W}}_f+{\mathbf{b}}_f)\\ {\mathbf{i}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_i+{\mathbf{h}}_{t-1}{\mathbf{W}}_i+{\mathbf{b}}_i)\\ {\mathbf{o}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_o+{\mathbf{h}}_{t-1}{\mathbf{W}}_o+{\mathbf{b}}_o)\end{array}$$

当 ${\mathbf{f}}_t=0,{\mathbf{i}}_t=1$ 时，记忆单元将历史信息清空，并将候选状态向量 $\widetilde{{\mathbf{c}}_t}$ 写入。但此时记忆单元 ${\mathbf{c}}_t$ 依然和上一时刻的历史信息相关。当 ${\mathbf{f}}_t=1,{\mathbf{i}}_t=0$ 时，记忆单元将复制上一时刻的内容，不写入新的信息 。

总结一下LSTM的计算流程：

1. 用上一时间步隐状态 ${\mathbf{h}}_{t-1}$ 和该时间步输入特征 ${\mathbf{x}}_t$ 分别计算出三个门 ${\mathbf{f}}_t,{\mathbf{i}}_t,{\mathbf{o}}_t$ 以及候选记忆单元 $\widetilde{{\mathbf{c}}_t}$：
   $$\begin{array}{rl}{\mathbf{f}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_f+{\mathbf{h}}_{t-1}{\mathbf{W}}_f+{\mathbf{b}}_f)\\ {\mathbf{i}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_i+{\mathbf{h}}_{t-1}{\mathbf{W}}_i+{\mathbf{b}}_i)\\ {\mathbf{o}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_o+{\mathbf{h}}_{t-1}{\mathbf{W}}_o+{\mathbf{b}}_o)\\ \widetilde{{\mathbf{c}}_t}& =\text{tanh}({\mathbf{x}}_t{\mathbf{U}}_c+{\mathbf{h}}_{t-1}{\mathbf{W}}_c+{\mathbf{b}}_c)\end{array}$$
2. 结合遗忘门 ${\mathbf{f}}_t$ 和 输入门 ${\mathbf{i}}_t$ 来更新记忆单元 ${\mathbf{c}}_t$：
   $${\mathbf{c}}_t={\mathbf{f}}_t\odot {\mathbf{c}}_{t-1}+{\mathbf{i}}_t\odot \widetilde{{\mathbf{c}}_t}$$
3. 结合输出门 ${\mathbf{o}}_t$ 将记忆单元 ${\mathbf{c}}_t$ 的信息传递给隐状态 ${\mathbf{h}}_t$：
   $${\mathbf{h}}_t={\mathbf{o}}_t\odot \text{tanh}({\mathbf{c}}_t)$$

---

LSTM为什么可以缓解梯度不稳定现象

回忆上一节中解释传统RNN的梯度不稳定性，主要问题出在：

$$\frac{\partial L}{\partial {\mathbf{h}}_t}=\sum _{i=t}^T(\frac{\partial {\mathbf{h}}_{t+1}}{\partial {\mathbf{h}}_t}{)}^{T-i}\frac{\partial {\mathbf{o}}_t}{\partial {\mathbf{h}}_t}\frac{\partial L}{\partial {\mathbf{o}}_{T+t-i}}=\sum _{i=t}^T(\mathbf{W}{)}^{T-i}\mathbf{V}\frac{\partial L}{\partial {\mathbf{o}}_{T+t-i}}$$

由于不同时间步的 $\frac{\partial {\mathbf{h}}_{t+1}}{\partial {\mathbf{h}}_t}$ 恒为 $\mathbf{W}$，造成了 $\mathbf{W}$ 矩阵的连乘，引发了梯度不稳定现象。

而在LSTM中，隐状态间的循环关系转变成了记忆单元间的循环关系，因此我们只需要看 $\frac{\partial {\mathbf{c}}_t}{\partial {\mathbf{c}}_{t-1}}$ 的值。观察LSTM的流动图，不难发现 ${\mathbf{c}}_{t-1}$ 到 ${\mathbf{c}}_t$ 的流动要经过 ${\mathbf{f}}_t,{\mathbf{i}}_t,\widetilde{{\mathbf{c}}_t}$：

为了公式简洁，同样先假设激活函数导数都是1，那么有：
$$\begin{array}{rl}\frac{\partial {\mathbf{c}}_t}{\partial {\mathbf{c}}_{t-1}}& =\frac{\partial {\mathbf{c}}_t}{\partial {\mathbf{f}}_t}\frac{\partial {\mathbf{f}}_t}{\partial {\mathbf{h}}_{t-1}}\frac{\partial {\mathbf{h}}_{t-1}}{\partial {\mathbf{c}}_{t-1}}+\frac{\partial {\mathbf{c}}_t}{\partial {\mathbf{i}}_t}\frac{\partial {\mathbf{i}}_t}{\partial {\mathbf{h}}_{t-1}}\frac{\partial {\mathbf{h}}_{t-1}}{\partial {\mathbf{c}}_{t-1}}+\frac{\partial {\mathbf{c}}_t}{\partial \widetilde{{\mathbf{c}}_t}}\frac{\partial \widetilde{{\mathbf{c}}_t}}{\partial {\mathbf{h}}_{t-1}}\frac{\partial {\mathbf{h}}_{t-1}}{\partial {\mathbf{c}}_{t-1}}+\frac{\partial {\mathbf{c}}_t}{\partial {\mathbf{c}}_{t-1}}\\ & ={\mathbf{c}}_{t-1}{\mathbf{W}}_f{\mathbf{o}}_{t-1}+\widetilde{{\mathbf{c}}_t}{\mathbf{W}}_i{\mathbf{o}}_{t-1}+{\mathbf{i}}_t{\mathbf{W}}_c{\mathbf{o}}_{t-1}+{\mathbf{f}}_t\end{array}$$

观察到加式前三项中的 ${\mathbf{W}}_f,{\mathbf{W}}_i,{\mathbf{W}}_c$， 跟传统RNN中的 $\frac{\partial {\mathbf{h}}_{t+1}}{\partial {\mathbf{h}}_t}=\mathbf{W}$ 一样，都是不随时间步发生变化的，这会导致矩阵连乘，进而造成梯度不稳定现象。 但是最后一项 ${\mathbf{f}}_t$ 对于不同时间步是不一样的，因此不会发生上述那种出现矩阵的幂的情况，缓解了梯度消失的情况。

而且根据上面的分析，我们也可以得出结论：遗忘门 ${\mathbf{f}}_t$ 有助于捕获序列中的长期依赖关系。

LSTM更多是解决梯度消失的问题，仍然有可能出现梯度爆炸。但由于 LSTM 的其他路径非常崎岖，和普通 RNN 相比多经过了很多次激活函数（导数都小于 1），因此 LSTM 发生梯度爆炸的频率要低得多。而且实践中梯度爆炸一般可以通过梯度裁剪来解决。

---

GRU

另一个常用的门控单元是GRU，它实际是对LSTM的一种简化，首先抛弃了记忆单元 ${\mathbf{c}}_t$，循环部分依然在隐状态间发生。而且注意到LSTM中互补关系的遗忘门 ${\mathbf{f}}_t$ 和输入门 ${\mathbf{i}}_t$，具有一定冗余性，因此GRU只用一个 更新门 ${\mathbf{z}}_t$ 来控制输入和遗忘间的平衡 ：
$${\mathbf{h}}_t={\mathbf{z}}_t\odot {\mathbf{h}}_{t-1}+(1-{\mathbf{z}}_t)\odot \widetilde{{\mathbf{h}}_t}$$

对候选隐状态的定义也跟LSTM有所不同，引入了一个新的门控单元 重置门 ${\mathbf{r}}_t$：
$$\widetilde{{\mathbf{h}}_t}=\text{tanh}({\mathbf{x}}_t{\mathbf{U}}_h+({\mathbf{r}}_t\odot {\mathbf{h}}_{t-1}){\mathbf{W}}_h+{\mathbf{b}}_h)$$

• 当 ${\mathbf{z}}_t=0，{\mathbf{r}}_t=1$ 时，GRU退化为简单循环网络
• 当 ${\mathbf{z}}_t=0，{\mathbf{r}}_t=0$ 时，GRU退化为前馈神经网络
• 当 ${\mathbf{z}}_t=1$ 时，当前状态 ${\mathbf{h}}_t$ 等于上一时刻状态 ${\mathbf{h}}_{t-1}$，和当前输入 ${\mathbf{x}}_t$ 无关

重置门 ${\mathbf{r}}_t$ 和 更新门 ${\mathbf{z}}_t$ 的定义方式与LSTM中的门控单元一致：
$$\begin{array}{rl}{\mathbf{r}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_r+{\mathbf{h}}_{t-1}{\mathbf{W}}_r+{\mathbf{b}}_r)\\ {\mathbf{z}}_t& =\text{sigmoid}({\mathbf{x}}_t{\mathbf{U}}_z+{\mathbf{h}}_{t-1}{\mathbf{W}}_z+{\mathbf{b}}_z)\end{array}$$

再来看看GRU是否也可以解决梯度消失问题，计算 $\frac{\partial {\mathbf{h}}_t}{\partial {\mathbf{h}}_{t-1}}$，观察GRU的计算图，从 ${\mathbf{h}}_{t-1}$ 到 ${\mathbf{h}}_t$ 要经过 ${\mathbf{z}}_t$ 和 $\widetilde{{\mathbf{h}}_t}$：

$$\begin{array}{rl}\frac{\partial {\mathbf{h}}_t}{\partial {\mathbf{h}}_{t-1}}& =\frac{\partial {\mathbf{h}}_t}{\partial {\mathbf{z}}_t}\frac{\partial {\mathbf{z}}_t}{\partial {\mathbf{h}}_{t-1}}+\frac{\partial {\mathbf{h}}_t}{\partial \widetilde{{\mathbf{h}}_t}}\frac{\partial \widetilde{{\mathbf{h}}_t}}{\partial {\mathbf{h}}_{t-1}}+\frac{\partial {\mathbf{h}}_t}{\partial {\mathbf{h}}_{t-1}}\\ & =({\mathbf{h}}_{t-1}-\widetilde{{\mathbf{h}}_t}){\mathbf{W}}_z+(1-{\mathbf{z}}_t){\mathbf{r}}_t{\mathbf{W}}_h+{\mathbf{z}}_t\end{array}$$

与LSTM一样，上式的最后一项 ${\mathbf{z}}_t$ 在不同时间步是不一样的，因此连乘也不会出现矩阵幂，缓解了梯度消失的问题。

同样类似LSTM的分析，可以得出结论：GRU中更新门 ${\mathbf{z}}_t$ 更有助于捕获序列中的长期依赖关系。

LSTM的参数量是传统RNN的四倍（分别是三个门以及候选记忆单元），而GRU对LSTM做了简化，参数量只有传统RNN的三倍（两个门及候选隐状态）

---

贪心搜索，束搜索

由于循环网络的输入和输出一般都是序列，当输出序列的长度为 n，输出类别的大小为 |$\mathcal{Y}$| 时，求解最优序列是一个复杂度为 $O(|\mathcal{Y}{|}^n)$ 的问题，而这样的计算量在许多实际问题中是高得惊人，以至于计算机几乎不可能计算出来。

考虑到计算成本，在实际使用中，我们通常会牺牲一定的精度，采用更有效率的搜索方法。其中使用最广泛的是 贪心搜索 和 束搜索 。

贪心搜索

贪心搜索是指在输出序列的每一个时间步 $t$，都直接选择概率最高的词元作为该时间步的输出，即：
$$y_t^{pred}={\text{argmax}}_{y_t\in \mathcal{Y}}P(y_t|y_1,\cdots ,y_{t-1},X)$$

注意， $\{{\text{argmax}}_{y_1\in \mathcal{Y}}P(y_1),\cdots ,{\text{argmax}}_{y_n\in \mathcal{Y}}P(y_n)\}$ 等价于 $\text{argmax}P(y_1,y_2,\cdots ,y_n)$ 当且仅当 $y_1,\cdots ,y_n$ 相互独立。但是循环网络中，每一个时间步的输出 $y_t$ 是依赖于前面 $t-1$ 个时间步的输出 $y_1,\cdots ,y_{t-1}$ 的。因此贪心搜索不能保证全局最优。

但是贪心搜索将计算量由原来的 $O(|\mathcal{Y}{|}^n)$ 降到了 $O(|\mathcal{Y}|n)$。

束搜索

束搜索是介于穷举搜索和贪心搜索之间的方法。它有一个超参数 k，在每一个时间步，束搜索会选择所有候选序列里面概率最高的 k 个序列。

假设输出词表 $\mathcal{Y}=\{A,B,C,D,E\}$，束宽 k=2，时间步1处概率最高的为 A和C。那么在时间步2处，我们有十个候选序列：{AA, AB, AC, AD, AE} 和 {CA, CB, CC, CD, CE}。 假如其中最大的两个是 AB 和 CE，那么时间步3处依然有十个候选序列：{ABA, ABB, ABC, ABD, ABE} 和 {CEA, CEB, CEC, CED, CEE}，我们依然是在其中选两个概率最大的序列 …

如果最终候选序列的长度不一致，那么在计算每个候选序列的概率时，需要乘上一个长度惩罚因子 $\frac{1}{|L{|}^{\alpha }}$（$\alpha$ 一般取0.75），即 $P(L)=\frac{1}{|L{|}^{\alpha }}{\sum }_{t=1}^{|L|}\text{log}P(y_t|y_1,\cdots ,y_{t-1},X)$

束搜索的计算量是 $O(|\mathcal{Y}|nk)$，介于穷举搜索和贪心搜索之间。