This repository has been archived by the owner on Jul 1, 2023. It is now read-only.
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Report.tex
554 lines (529 loc) · 47.8 KB
/
Report.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
\documentclass[12pt, a4paper, oneside, final]{article}
\usepackage[margin = 1in, bottom = 1in]{geometry}
\pdfminorversion = 5
\pdfcompresslevel = 9
\pdfobjcompresslevel = 2
\usepackage[T2A]{fontenc}
\usepackage[utf8]{inputenc}
\usepackage[english, russian]{babel}
\usepackage{xcolor, ulem, soulutf8, soul, fancyhdr, amsmath, amssymb, amsthm, svg, wrapfig, csvsimple, float, caption, subcaption, titlesec, hyperref, multicol, listings, tocloft, longtable, skak, stmaryrd, color, minted, tikz}
\usepackage[shortlabels]{enumitem}
\usepackage[most]{tcolorbox}
\usepackage[framemethod = tikz]{mdframed}
\definecolor{codegreen}{rgb}{0, 0.6, 0}
\definecolor{codegray}{rgb}{0.5, 0.5, 0.5}
\definecolor{codepurple}{rgb}{0.58, 0, 0.82}
\definecolor{backcolour}{rgb}{0.95, 0.95, 0.92}
\hypersetup{colorlinks, citecolor = pink, filecolor = pink, linkcolor = pink, urlcolor = pink}
\everymath{\displaystyle}
\binoppenalty = 10000
\relpenalty = 10000
\sloppy
\newtcblisting{pseudocode}{
listing only,
breakable,
colback = backcolour,
enhanced jigsaw,
sharp corners,
boxrule = 0pt,
frame hidden,
listing options = {
mathescape,
commentstyle = \color{codegreen},
keywordstyle = \color{magenta},
numberstyle = \tiny\color{codegray},
stringstyle = \color{codepurple},
basicstyle = \ttfamily\footnotesize,
breakatwhitespace = false,
breaklines = true,
captionpos = b,
keepspaces = true,
numbers = left,
numbersep = 5pt,
showspaces = false,
showstringspaces = false,
showtabs = false,
tabsize = 4,
inputencoding = utf8,
language = python
}
}
\renewcommand*{\theenumi}{\thesection.\arabic{enumi}}
\renewcommand*{\theenumii}{\alph{enumii}}
\renewcommand*{\labelitemi}{\ensuremath{\triangleright}}
\newcommand*\circled[1]{\tikz[baseline = (char.base)]{
\node[shape = circle, draw, inner sep = 2pt] (char) {#1};}}
\def\cover{
\begin{center}
{Национальный исследовательский университет ИТМО\\Факультет информационных технологий и программирования\\Прикладная математика и информатика}\\[5.0em]
{\Huge \bfseries Методы оптимизации}\\[0.5em]
{\large Отчет по лабораторной работе №3}\\[0.5em]
\textcolor{gray}{\textlangle Собрано \today\textrangle}
\end{center}
}
\def\officials{
\begin{tabular}{ll}
\textbf{Работу выполнили:} \\ Бактурин Савелий Филиппович M32331 \\ Вереня Андрей Тарасович M32331 \\ Сотников Максим Владимирович M32331 \vspace*{1em} \\
\textbf{Преподаватель:} \\ Шохов Максим Евгеньевич
\end{tabular}
}
\def\firstpage{
\thispagestyle{empty}
\vspace*{0.5em}
\cover
\begingroup
\vspace*{30em}
\newlength{\officialswidth}
\settowidth{\officialswidth}{\officials}
\hfill\begin{minipage}{\officialswidth}\officials\end{minipage}
\endgroup
}
\begin{document}
\firstpage
\newpage
\section*{Решение задачи нелинейной регрессии}
Часто решая задачу создания регрессионной модели мы сталкиваемся с тем, что по жизни очень немногие рассматриваемые функции оказываются не представимы в виде обобщенной линейной зависимости или полиномиальной некоторой конечной степени $k$.
Такая же ситуация часто случается и с некоторым набором данных, который нужно как-то обобщить.
Именно в таких случаях к нам на помощь приходит более частный случай регрессионного анализа~-- \textit{нелинейная регрессия}.
Идея построения нелинейной регрессии как и в случае с полиномиальной заключается в том, чтобы найти математическую функцию, которая максимально точно описывает зависимость между независимой переменной и зависимой от нее.
Например, для построения нелинейной регрессии можно использовать функции типа полинома, логарифмической или экспоненциальной зависимости.
В целом весь процесс нахождения нелинейной регрессионной модели можно поделить на два этапа:
\begin{itemize}
\item Определить регрессионную модель $f(w, x)$, которая зависит от параметров $w = (w_{1}, ~ \ldots, ~ w_{W})$ и свободной переменной $x$.
\item Решить задачу по нахождению минимума сумма квадратов регрессионных остатков:
\[
S = \sum\limits_{i = 1}^{m}{r_{i}^{2}}, ~ r_{i} = y_{i} - f(w, x_{i})
\]
\end{itemize}
Однако, решая в лоб такую задачу, мы сталкиваемся с оптимизационной задачи нахождения параметров нелинейной регрессионной модели.
Тут к нам и приходят на помощь различные методы нахождения, в том числе и рассматриваемые ниже: \textit{Gauss-Newton} и \textit{Powell Dog Leg}.
\subsection*{Gauss-Newton}
Напомним, что мы решаем следующую задачу: дана нелинейная модель $f(w, x)$, где $w \in \mathbb{R}^{m}$, тогда сумма квадратов регрессионных остатков высчитывается как
\[
S = \sum\limits_{i = 1}^{\texttt{sizeof}~X}{(f(w, x_{i}) - y_{i})^2} \to \mathrm{min}
\]
Итак, пусть $n = \texttt{sizeof}~X$ и введем некоторые новые объекты для решения задачи, пусть $w^{0} = (w_{0}^{0}, ~ w_{1}^{0}, ~ \ldots, ~ w^{0}_{m})$~-- начальное приближение, и
\begin{align*}
\gimel &= \left(\dfrac{\partial{f}}{\partial{w_{j}}}{(w^{\mathbf{i}}, x_{i})}\right)_{n \times m}~-~\text{Якобиан, или матрица первых производных} \\
\vec{f_{\mathbf{i}}} &= \left(f(w^{\mathbf{i}}, x_{i})\right)_{n \times 1}~-~\text{вектор значений функции}~f \\
\eth_{\mathbf{i}} &= \texttt{const}~-~\text{размера шага}
\end{align*}
Тогда, формула $\mathbf{i}$-й итерации рассматриваемого метода будет высчитываться как
\[
w^{\mathbf{i} + 1} \gets w^{\mathbf{i}} - \eth_{\mathbf{i}} \cdot \underbrace{\left(\gimel^{\mathrm{T}}_{\mathbf{i}}\gimel_{\mathbf{i}}\right)^{-1}\gimel_{\mathbf{i}}^{\mathrm{T}}}_{\beta}(\vec{f_{\mathbf{i}}} - y),
\] где $\beta$~-- это псевдообратная матрица к матрице $\gimel_{\mathbf{i}}$, или решение некоторой задачи многомерной линейной регрессии, где мы ищем такой вектор $\beta$, что
\[
\left\|\gimel_{\mathbf{i}}\beta - (\vec{f_{\mathbf{i}}} - y)\right\|^{2} \to \mathrm{min},
\] где $y$~-- вектор правильных/настоящих ответов нашей модели.
Получается, для решения задачи, мы, так называемую, \textit{невязку} пытаемся приблизить линейной комбинацией вектора из матрицы Якобиана так, что при следующем шаге итерации получить такой $w^{\mathbf{i} + 1}$, который бы сократил нам расстояние невязки.
Причем, заметим, что на каждом шаге, задача будет новой, так как $\gimel_{\mathbf{i}}$ зависит от текущего приближения, чтобы решить задачу многомерной регрессии.
Заметим, что здесь, по алгоритму, мы видим достаточно очевидное ограничение: $m \geqslant n$, в ином случае для $\gimel_{\mathbf{i}}^{\mathrm{T}}\gimel_{\mathbf{i}}$ не будет существовать обратной матрицы и, в следствии, решения к уравнению.
\subsubsection*{Пример}
Возьмем в качестве примера функцию $f(x, w) = \sin{(x \cdot w_{0} + w_{1})}$, где $w_{0}$ и $w_{1}$~-- это подбираемые коэффициенты.
Здесь минимум является $5.5$.
В качестве начальной точки возьмем $\langle 3, 4 \rangle$ и запустим зверя.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_GAUSS_NEWTON_3D_PLOT_1.png}
\caption*{Example of Gauss-Newton}
\end{figure}
Метод сошелся за $10$ шагов, при этом он нашел в качестве аргументов точку $\langle 1.997695, 2.998286 \rangle$, а~-- значения $5.532247$.
Тот же путь алгоритма в виде линий уровня:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_GAUSS_NEWTON_LINES_1.png}
\caption*{Example of Gauss-Newton (lines)}
\end{figure}
\subsection*{Powell Dog Leg}
\textit{Trust-region method}~--- это метод решения оптимизационных задач, который основывается на вычислении региона, в котором квадратичная модель аппроксимирует целевую функцию.
Сам этот метод представляет из себя смесь сразу двух алгоритмов, решающих задачу:
\begin{itemize}
\item Линейный поиск используется для определения направления поиска и дальнейшего нахождения оптимального шага вдоль выбранного вектора пути.
\item Сам по себе trust-region используется для определения области вокруг текущей итерации, в котором модель достаточно аппроксимирует целевую функцию. Причем, стоит заметить, что для поиска следующего радиуса рассматриваемого региона также будет использоваться линейный поиск.
\end{itemize}
В общем случае Trust-region на каждой итерации решает следующую квадратичную задачу:
\[
\min_{p \in \mathbb{R}^{n}}{m_{k}(p)} = f_{k} + p^{\mathrm{T}}g_{k} + \dfrac{1}{2}p^{\mathrm{T}}B_{k}p,
\] где $f_{k} = f(x_{k})$, $g_{k} = \nabla{f_{k}}$, $B_{k} = \nabla^{2}{f_{k}}$ и $\nabla_{k} > 0$~-- изменяющийся радиус региона, причем всё это, при условии, что $|p| \leqslant \nabla_{k}$.
Заметим, что в таком простейшем виде мы получаем безусловно почти бесполезный алгоритм: он чрезвычайно медленный из-за появления $B_{k}$~-- Гессиана функции.
С другой стороны, если он положительно определен и $|B_{k}^{-1}\nabla{f_{k}}| \leqslant \nabla_{k}$, то решение легко определить: $p_{k}^{B} = -B_{k}^{-1}\nabla_{k}$.
Но, опять же, высчитывать еще и обратную матрицу~-- дело долгое и медленное, поэтому, начиная отсюда и до конца все лабораторной работы, мы будем то и дело пытаться приближать наши значения к реальным/по настоящему посчитанным значениям Гессиан-функции.
Здесь мы рассмотрим один из методов оптимизации при аппроксимации квадратичной модели~-- \textit{Powell Dog Leg}.
Начнем, пожалуй, с определения радиуса рассматриваемого доверительного региона: в алгоритме dogleg обычно выбирают основываясь на сходстве функции $m_{k}$ (та, что мы решаем изначально) и оригинальной функции $f$ на предыдущей итерации.
Зададим $\rho_{k}$ следующим образом:
\[
\rho_{k} = \dfrac{f_{k} - f^{\star}_{k}}{m_{k}(0) - m_{k}(p_{k})},
\] где $f^{\star}_{k} = f(x_{k} + p_{k})$.
А теперь посмотрим на то, как именно лучше поменять шаг: в том случае, если $\rho_{k}$ меньше нуля, то это значит, что наша модель далека от функции и нужно обязательно уменьшить радиус; в том случае, изменение функции почти не изменилось и мы попали на границу региона, то есть смысл увеличить радиус; в ином другом случае~-- остается неизменным.
\[
\Delta_{k + 1} =
\begin{cases}
\dfrac{1}{4} \Delta_{k}, & \rho_{k} < \dfrac{1}{4} \\
\min{(2\Delta_{k}, ~ \Delta_{\texttt{max}})}, & \rho_{k} > \dfrac{3}{4} \land \|p_{k}\| = \Delta_{k} \\
\Delta_{k}, & \text{в ином другом случае}
\end{cases}
\]
Наконец, начинается самое интересное со стороны Powell Dog Leg.
Итак, мы находимся на некоторой точки нашей модели, есть подсчитанный $\Delta$-радиуса доверительного региона, и посмотрим на полный шаг $p^{B} = -B^{-1}g$.
Если $p^{B}$ лежит в окружности региона, то мы можем его взять и более закончить алгоритм.
В ином случае, рассмотрим анти-градиент $-g$ и попробуем вдоль нее поискать минимум квадратичной модели, то есть решить
\[
\min_{\|-\tau g\| \leqslant \Delta}{m(-\tau g)}
\]
Для её решения мы можем взять некую новую точку без каких-либо ограничений в направлении анти-градиента и найти минимум модели
\[
p^{U} = -\dfrac{g^{\mathrm{T}}g}{g^{\mathrm{T}}Bg}g
\]
Здесь снова две ситуации, где может находиться т. $p^{U}$:
\begin{itemize}
\item Если она находится вне рассматриваемой области, то мы можем взять точку на границе и шагнуть туда.
\item Если же она находится в окружности, то построим отрезок $p^Up^B$ и начнем искать минимум вдоль этих двух линий $\left(\circled{\text{текущая}} \to p^U~\text{и}~p^U \to p^B\right)$.
\end{itemize}
Наконец, вдоль пути мы рассматриваем траекторию $\hat{p}(\tau)$
\[
\hat{p}(\tau) =
\begin{cases}
\tau p^U, & 0 \leqslant \tau \leqslant 1 \\
p^U + (\tau - 1)(p^B - p^U), & 1 \leqslant \tau \leqslant 2
\end{cases}
\]
Подытожим.
Мы получили, на самом деле, в чем-то схожий на метод Гаусса-Ньютона алгоритм нахождения схождения, в частности, кстати, точка $p^B$~-- это то, куда бы шагнул метод Гаусса-Ньютона, но при этом, если эта точка удовлетворяет нашим потребностям, то мы действуем как Гаусс-Ньютон, в ином случае~-- чуть по другому.
Причем под <<немного другим>> способом предполагается, на самом деле, хитрая комбинация Гаусса-Ньютона и градиентного спуска (так как при маленьком доверительном регионе мы пойдем по направлению, близкому градиентному спуску).
\subsubsection*{Пример}
Возьмем в качестве примера функцию $f(x, w) = \texttt{[ДАННЫЕ УДАЛЕНЫ]}$.
В качестве начальной точки возьмем $\langle 3, 4 \rangle$ и запустим зверя.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_DOGLEG_3D_PLOT_1.png}
\caption*{Example of Dog Leg}
\end{figure}
Метод сошелся за $38$ шагов, при этом он нашел в качестве аргументов точку $\langle 1.997871, 2.987030 \rangle$, а~-- значения $24.179801$.
Тот же путь алгоритма в виде линий уровня:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_DOGLEG_LINES_1.png}
\caption*{Example of Dog Leg (lines)}
\end{figure}
\subsection*{Исследования Gauss-Newton vs. Powell Dog Leg vs. Adam}
В качестве исследования мы будем сравнивать сразу несколько методов в одной главе, так как именно так будет лучше видна разница между ними.
Везде и всегда мы будем брать в качестве восстанавливаемой функции нашего старого друга функцию Розенброка: $f(x, w) = (1 - x \cdot w_{1})^{2} + 100 \cdot (x \cdot w_{2} - x^{2})^{2}$, где $w_{1} = 2$, $w_{2} = 3$.
Также здесь и везде будем применять следующие настройки генерации точек:
\begin{align*}
\mathtt{density} &= 8000~\text{(количество точек на плоскости)} \\
\mathtt{dots\_count} &= 1000~\text{(количество генерируемых точек для dataset)} \\
\mathtt{radius} &= 0.001~\text{(радиус генерации точек)} \\
\mathtt{dist} &= 0.01~\text{(разброс функции)}
\end{align*}
И, наконец, количество тестирований для усреднения результатов мы выберем $\mathtt{test\_count} = 10$.
Положим точку $m_{0} = \langle x_0, y_0 \rangle$ как настоящий минимальный прообраз рассматриваемой функции и зададим пару $P = \langle \mathtt{axis}, \mathtt{bias} \rangle$, где $\mathtt{axis}$~-- рассматриваемая ось смещения, $\mathtt{bias}$~-- значение смещения.
Проводить, наконец, исследование мы будем следующим образом: зададим некую пару $P$ и в качестве $\mathtt{initial\_w} = m_{0}$ и далее для заданного $P.\mathtt{axis}$ мы будем изменять начальную точку следующим образом:
\[
\langle m_{0}.(P.\mathtt{axis}) - P.\mathtt{bias} \rangle, ~ \langle m_{0}.(P.\mathtt{axis}) - P.\mathtt{bias} + \mathtt{size} \rangle, ~ \ldots, ~ \langle m_{0} \rangle, \langle m_{0}.(P.\mathtt{axis}) + \mathtt{size} \rangle, ~ \ldots
\]
То есть, например, если $\mathtt{axis} = Y$ и $\mathtt{bias} = 10$, то мы начнем с точки $x_{0} = m_{0}.(x)$ и $y_{0} = m_{0}.(y) - \mathtt{bias}$ и с некоторым шагом дойдем до настоящего минимум и далее до точки $\langle x_{0} = m_{0}.(x), ~ y_{0} = m_{0}.(y) + \mathtt{bias}$.
\subsubsection*{$\mathbf{P = \langle Y, 2 \rangle}$}
Итак, рассмотрим первый случай, с функциям минимизации потерь у всех трех методов.
Получим график MSE-значения.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_Y_2_MSE.png}
\caption*{$\langle Y, 2 \rangle$~- MSE}
\end{figure}
Замечаем, что лучшим из них показал результат Gauss-Newton, из-за устойчивости метода.
В то время как Dog Leg показывает результат хуже, из-за неправильности первого шага поиска оптимального радиуса доверительного региона.
И тут без комментариев Adam проигрывает, из-за того, что вообще говоря функция Розенброка не представима в виде линейной регрессии.
Теперь рассмотрим количество шагов у трех методов одновременно:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_Y_2_STEPS.png}
\caption*{$\langle Y, 2 \rangle$~- Steps}
\end{figure}
У Gauss-Newton мы видим самые стабильные изменения в количестве шагов~- неудивительно, ведь мы подбирались все это время всё ближе и ближе к минимуму.
С Dog Leg ситуация аналогична, вот только вместо того, чтобы делать в минимум привычный шаг как Gauss-Newton, он делает первым шаг по поиску доверительной окружности, что сильно быстрее сходить начальную точку к минимуму.
И, наконец, Adam.
Снова проигрывает в этой гонке.
Причем, заметим, что в он сильно увеличился уже именно на $+0$ знатно~-- вероятнее всего, это связано уже с тем, как работает Adam с положительными числами.
\subsubsection*{$\mathbf{P = \langle Y, 100 \rangle}$}
Итак, рассмотрим второй случай, с функциям минимизации потерь у всех трех методов.
Получим график MSE-значения.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_Y_100_MSE.png}
\caption*{$\langle Y, 100 \rangle$~- MSE}
\end{figure}
Видим, что ситуация с Dog Leg'ом сильно пострадала.
Утверждение следующее: как только Dog Leg делает неправильный шаг, он останавливается и прекращает какие-либо дальнейшие попытки сойтись, ибо у него есть ограничение на не увеличение радиуса доверительного круга и так получается, что при дальних расстояниях и маленькой рассматриваемой окружности.
Ситуация с Adam и Gauss-Newton, что самое интересное, почти идеальное: они сошлись в одну асимптотически почти наверное прямую.
Но как мы увидим дальше, не все так просто, как кажется, а именно: давайте посмотрим на количество шагов до схождения всех трех методов:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_Y_100_STEPS.png}
\caption*{$\langle Y, 100 \rangle$~- Steps}
\end{figure}
Не смотрим на Dog Leg, ибо, как уже сказано выше, количество шагов здесь~-- это число до того, как он остановится от печали.
В отличие от Gauss-Newton, Adam очень странно себя ведет: вероятнее всего, это связано с начальным $\mathtt{learning\_rate} = 2.5$, который остается неизменным на протяжении всего эксперимента, из-за чего на некоторых расстояниях Adam начинает вести себя ненормально.
Gauss-Newton здесь и далее будет понемногу уменьшать количество шагов как по лестнице.
\subsubsection*{$\mathbf{P = \langle X, 4 \rangle}$}
Настало время поэкспериментировать, на точках, с изменяющимся осью $X$.
Итак, рассмотрим первый случай, с функциям минимизации потерь у всех трех методов.
Получим график MSE-значения.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_X_4_MSE.png}
\caption*{$\langle X, 4 \rangle$~- MSE}
\end{figure}
Здесь мы получаем аналогичные результаты с случаем $P = \langle Y, 2 \rangle$, поэтому, долго задерживаться не будем, а лучше сразу посмотрим на количество затрачиваемых шагов:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_X_4_STEPS.png}
\caption*{$\langle X, 4 \rangle$~- Steps}
\end{figure}
И здесь ровно такая же, аналогичная, ситуация с $\langle Y, 2 \rangle$.
\subsubsection*{$\mathbf{P = \langle X, 100 \rangle}$}
Итак, рассмотрим второй случай, с функциям минимизации потерь у всех трех методов.
Получим график MSE-значения.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_X_100_MSE.png}
\caption*{$\langle X, 100 \rangle$~- MSE}
\end{figure}
А вот здесь результат интереснее: дело в том, что по каким-то причинам, Dog Leg в районе минимум все равно ошибается на какое-то предельно-маленькое, но незаметное значение для MSE.
Gauss-Newton всё также хорош, а Adam иногда проигрывает, попадая под <<неудобные>> значения под длину шага.
Теперь посмотрим, за сколько и кто сошелся:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T1_X_100_STEPS.png}
\caption*{$\langle X, 100 \rangle$~- Steps}
\end{figure}
Adam почти не сходится, если вбирать в анализ то, что у него у единственного максимальное число шагов среди всех остальных.
Значит, мы взяли какой-то <<неудобный>> регион для исследования функции, а это значит, что в любом момент, при немного функции сложнее, он бы не сошел.
Gauss-Newton всё также стабилен и силен.
А с Dog Leg ситуация также интересна: опять же в районе нуля он делает в среднем количество до схождения больше, чем не в районе нуля~- это связано с радиусом доверительного региона, только здесь он решил выбрать слишком маленьким, из-за чего столь большее число шагов.
\newpage
\section*{BFGS}
\textit{BFGS}, или Алгоритм Бройдена~- Флетчера~- Гольдфарба~- Шанно~-- это тоже оптимизационный итерационный алгоритм для нахождения локального экстремума для не представимых данных или функций в линейном/полиномиальном виде.
Один из известных квазиньютоновских методов (то есть, тех, которые основаны на получении информации о кривизне функции).
Как и в случае с Powell Dog Leg, данный метод, в отличии от многих квазиньютоновских, использует аналог довольно медлительного постоянного переопределения Гессиана функции.
Но если предыдущий механизм никак не взаимодействовал с явным Гессианом, то BFGS, наоборот, ускоряет работу на порядок: ибо он не явно каждый раз высчитывает матрицу, а лишь приближает к ней значения, при этом посчитав по честному Гессиан лишь один раз.
Рассмотрим идею этого алгоритма.
Обозначим за $x_{i} = \{x_{i}^{0}, ~ x_{i}^{1}, ~ \ldots, ~ x_{i}^{n - 1}\}$~-- координата в пространстве, где $n$~-- размерность соответствующего пространства.
Пусть дана нам некоторая функция $f(x)$ и, как обычно, решаем задачу оптимизации нахождения $\operatorname*{argmin}_{x}{f(x)}$.
Тогда, зададим некую начальную точку $x_{0}$ и $H_{0} = B_{0}^{-1}$~-- начальное приближение, где $B_{0}^{-1}$~-- обратный Гессиан функции, который или может быть посчитан в точке $x_{0}$, или выбран как $\mathbf{I}$~-- обратная матрица.
Наконец, сам алгоритм:
\begin{enumerate}[1)]
\setcounter{enumi}{-1}
\item Пусть $k$~-- текущий номер итерации алгоритма.
\item Находим точку, в направлении которой будем производить поиск, она определяется следующим образом
\[
p_{k} = -H_{k} \times \nabla{f_{k}},
\] где здесь и далее $f_{k} = f(x_{k})$.
\item Вычисляем $x_{k + 1}$ через рекуррентное соотношение следующего вида:
\[
x_{k + 1} = x_{k} + \alpha \cdot p_{k},
\] где $\alpha$~-- коэффициент, удовлетворяющий условиям Вольфа, которые, напомню, выглядят вот так
\begin{align*}
f(x_{k} + \alpha \cdot p_{k}) &\leqslant f(x_{k}) + c_{1} \cdot \alpha \cdot \nabla{f^{T}_{k}p_{k}} \\
\nabla{f(x_{k} + \alpha \cdot p_{k})^{T}p_{k}} &\geqslant c_{2} \cdot \nabla{f^{T}_{k}p_{k}}
\end{align*}
\item Теперь определим размер шага алгоритма после данной итерации и изменение градиента следующими соответствующими образами
\begin{align*}
s_{k} &= x_{k + 1} - x_{k} \\
y_{k} &= \nabla{f_{k + 1}} - \nabla{f_{k}}
\end{align*}
\item Наконец, обновим Гессиан функции, зная, что $\lambda = \dfrac{1}{y_{k}^{\mathrm{T}}s_{k}} \in \mathbb{R}$
\[
H_{k + 1} = \left(\mathbf{I} - \lambda s_{k}y_{k}^{\mathrm{T}}\right)H_{k}\left(\mathbf{I} - \lambda y_{i} s_{k}^{\mathrm{T}}\right) + \lambda s_{k} s_{k}^{\mathrm{T}}
\]
\end{enumerate}
\subsection*{Пример}
Возьмем в качестве примера функцию $f(x, y) = \sin{(0.5 x^2 - 0.25 y^2 + 3)} \cdot \cos{(2x+1-e^{y})}$.
В качестве начальной точки возьмем $\langle x_{0}, y_{0} \rangle = \langle -0.3, -1.3 \rangle$ и запустим зверя.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T2_BFGS_3D_PLOT_1.png}
\caption*{Example of BFGS}
\end{figure}
Полученные результаты столь небольшого примера с неприятным минимум следующие.
Алгоритм сошелся к предполагаемой точке минимум за 11 шагов, после этого умер своей смертью (условие схождения).
Полученная точка $z_{\mathtt{min}} = -0.040723$, а его прообразом служит пара из $\langle-0.848456, -0.605206\rangle$.
Тот же путь алгоритма в виде линий уровня:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/T2_BFGS_LINES_1.png}
\caption*{Example of BFGS (lines)}
\end{figure}
\subsection*{Исследования}
Заметим, что исследования чистой полилинейной регрессии с методом нахождения минимальной или максимальной точки функции выглядит задачей странной, так как там нам нужен сгенерированный dataset, а здесь начальное приближение.
Поэтому, в качестве рейтинга H(onest) за честность, мы воспользуемся BFGS как методом минимизации ошибки квадратичного уравнения.
Его соперником выступит ранее известный нам Adam, а все-все исследования будем проводить на, внезапно, очень простой полилинейной функции $f(x) = 2 \cdot x$.
Зададим следующие настройки генерации точек:
\begin{align*}
\mathtt{dots\_count} &= 500~\text{(количество точек)} \\
\mathtt{variance} &= 0.5~\text{(вариативность, константа, используемая в формуле генерации)} \\
\mathtt{max\_epoch} &= 16~\text{(максимальное количество точек)} \\
\mathtt{batch\_min\_size} &= 0~\text{(минимальный размер батча)} \\
\mathtt{batch\_max\_size} &= 500~\text{(максимальный размер батча)}
\end{align*}
Будем проводить исследования, подобно предыдущей лабораторной работы, на размере батча $\mathtt{batch\_size} \in [\mathtt{batch\_min\_size}, \mathtt{batch\_max\_size}]$.
В качестве Adam мы возьмем результаты предыдущей лабораторной работы.
Итак, полученный график.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.75]{Image/T2_ADAM_GENERAL.png}
\includegraphics[scale = 0.75]{Image/T2_BFGS_GENERAL.png}
\caption*{(Minibatch GD) Adam vs. BFGS}
\end{figure}
Заметим, что в большинстве случаев BFGS, по с течению обстоятельств, проигрывает великолепному Adam, у которого, по предыдущей работе, количество шагов почти никогда не изменялось и оставалось в среднем $5$.
Также, на некоторых промежутках размеров батча BFGS всё же выигрывает гонку у Adam.
Почему это может происходить?
На самом деле, проблема кроется в задаче, которую мы поставили перед методами, если Adam идеален в задачах линейной регрессии, то BFGS все-таки хорош во многих нелинейных функциях (смотри пример выше).
На примере выше мы видели, что BFGS среди множества похожих окрестностей точек минимума находит тот самый настоящий и остаётся там.
Теперь давайте немного <<приблизимся>> к батчу $[0, 10]$ и $[0, 30]$ и посмотрим, что там происходит.
Полученный график.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.75]{Image/T2_ADAM_1_10.png}
\includegraphics[scale = 0.75]{Image/T2_BFGS_1_10.png}
\caption*{((Minibatch GD) Adam vs. BFGS) $\in [0, 10]$ и $\in [0, 30]$}
\end{figure}
Adam стремительно набирает скорость и падает вниз, в то время как BFGS, невооруженным взглядом заметное, что у него также скачкообразные шаги.
При этом мы вновь видим, что при некоторых батчах также выигрывает Adam при двух или трех шагах, в отличие от пяти.
Наконец, рассмотрим повнимательнее отрезок $[200, 500]$ у обоих методов и проанализируем.
Получим графики.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.75]{Image/T2_ADAM_200_500.png}
\includegraphics[scale = 0.75]{Image/T2_BFGS_200_500.png}
\caption*{((Minibatch GD) Adam vs. BFGS) $\in [200, 500]$}
\end{figure}
Adam не желает перемен, в то время как BFGS пытается прогрессировать и скачкообразными шагами на промежутке от $[250 + \varepsilon, 325 + \delta]$ и доходит до минимального количества шагов.
Подытожим результаты.
Как мы видим, BFGS плохо справляется с минимизацией относительно столь простых функцией как прямая $f(x) = 2x$.
Однако, в тоже время, достаточно неплохо справляется нелинейными функциями, то есть теми, которые нельзя представить как конечный полином.
\newpage
\section*{L-BFGS}
\textit{L-BFGS}, или BFGS с ограниченной памятью~-- это оптимизационный алгоритм, который аппроксимирует оригинальный алгоритм BFGS с использованием заданного ограниченного объема памяти.
L-BFGS как и BFGS использует приближенную оценку Гессиана, при этом в явном виде посчитав только один раз, а все остальные шаги лишь преобразовывая.
Проблема: BFGS хранит всегда $n \times n$ приближений к обратному Гессиану.
Решение: хранить несколько векторов, которые неявно представляют приближение, представляющие из себя историю последних $m$ обновлений положения $x$ и градиента $\nabla{f(x)}$.
При этом, $m$ обычно выбирается небольшим ($m < 10$).
Рассмотрим идею этого алгоритма.
Во многом она будет совпадать с предыдущим, поэтому пропустим обозначения и перейдем сразу алгоритму.
\begin{enumerate}[1)]
\setcounter{enumi}{-1}
\item Пусть $k$~-- текущий номер итерации алгоритма, здесь и далее будем иметь ввиду $g_{k} = \nabla{f(x_{k})}$.
\item Также как и в BFGS находим точку, в направлении которой будем производить поиск:
\[
p_{k} = -H_{k} \times \nabla{f_{k}},
\] здесь и далее $f_{k} = f(x_{k})$.
\item Пусть мы сохранили $m$ обновлений вида:
\begin{align*}
s_{k} &= x_{k + 1} - x_{k} \\
y_{k} &= g_{k + 1} - g_{k}
\end{align*}
Заметим, что при последующих итерациях алгоритма $k \geqslant m$ произведение из первого шага можно получить выполнив последовательность скалярных произведений и суммирования векторов, включающую $\nabla{f_{k}}$ и пары $\{s_{i}, y_{i}\}$.
После вычисления новой итерации самая старая пара векторов в наборе пар $\{s_{i}, y_{i}\}$ заменяется новой парой, который получается из данного шага.
\item Наконец, пожалуй, самая идейная часть~-- обновление Гессиана.
На итерации $k$ у нас определен $x_{k}$ и пары $\{s_{i}, y_{i}\}~\forall i \in [k - m, ~ k - m + 1, ~ \ldots, ~ k - 1]$.
Выберем некоторое начальное Гессианское приближение $H_{k}^{0}$ (в отличие от стандартной итерации BFGS, это начальное приближение может меняться от итерации к итерации) и путем повторного применения формулы, заданной изначально в BFGS, получаем
\begin{align*}
H_{k} &= (V_{k - 1}^{\mathrm{T}} \cdot \ldots \cdot V_{k - 1}^{\mathrm{T}}) H_{k}^{0} (V_{k - m} \cdot \ldots \cdot V_{k - 1}) \\
&+ \rho_{k - m}(V_{k - 1}^{\mathrm{T}} \cdot \ldots \cdot V_{k - m + 1}^{\mathrm{T}})s_{k - m}s_{k - m}^{\mathrm{T}}(V_{k - m + 1} \cdot \ldots \cdot V_{k - 1}) \\
&+ \rho_{k - m + 1}(V_{k - 1}^{\mathrm{T}} \cdot \ldots \cdot V_{k - m + 2}^{\mathrm{T}})s_{k - m + 1}s_{k - m + 1}^{\mathrm{T}}(V_{k - m + 2} \cdot \ldots \cdot V_{k - 1}) \\
&+ \ldots \\
&+ \rho_{k - 1}s_{k - 1}s_{k - 1}^{\mathrm{T}},
\end{align*} где $\rho_{k} = \dfrac{1}{y^{\mathrm{T}}_{k}s_{k}}$, $V_{k} = \mathbf{I} - \rho_{k}y_{k}s_{k}^{\mathrm{T}}$.
Из всего вышеописанного мы можем провести произведение $H_{k} \times \nabla{f_{k}}$ более эффективно следующим образом
\begin{lstlisting}
$\alpha \gets$[0] * $\texttt{sizeof}~s$;
$q \gets \nabla{f_{k}}$;
$\forall i = k - 1, ~ k - 2, ~ \ldots, ~ k - m$ do
$\alpha_{i} \gets \rho_{i}s_{i}^{\mathrm{T}}q$;
$q \gets q - \alpha_{i}y_{i}$;
end
$r \gets H_{k}^{0}q$;
$\forall i = k - m, ~ k - m + 1, ~ \ldots, ~ k - 1$ do
$\beta \gets \rho_{i}y_{i}^{\mathrm{T}}r$;
$r \gets r + s_i(\alpha_i - \beta)$;
end
return $(-1) \cdot r \left\llbracket\equiv H_k \times \nabla{f_{k}}\right\rrbracket$;
\end{lstlisting}
Получение нового на данной итерации $H_{k}^{0}$ мы также сильно ускорим, лишь приблизив наши значения, используя формулу $H_{k}^{0} = \gamma_{k}\mathbf{I}$, где
\[
\gamma_{k} = \dfrac{s_{k - 1}^{\mathrm{T}}y_{k - 1}}{y_{k - 1}^{\mathrm{T}}y_{k - 1}}
\]
\item Все последующие шаги аналогичны с оригинальным BFGS.
\end{enumerate}
Итак, напишем идейный псевдокод алгоритма L-BFGS.
\begin{pseudocode}
function $\mathtt{is\_convergence}(f : \mathbb{R}^{n} \to \mathbb{R})$:
/*$implementation~defined$*/
function $\mathtt{Wolfe\_coefficient}(f : \mathbb{R}^{n} \to \mathbb{R}, ~ p_{k})$:
/*$implementation~defined$*/
function $\mathtt{get\_prod}(f : \mathbb{R}^{n} \to \mathbb{R})$:
$\alpha \gets$[0] * $\texttt{sizeof}~s$;
$q \gets \nabla{f_{k}}$;
$\forall i = k - 1, ~ k - 2, ~ \ldots, ~ k - m$ do
$\alpha_{i} \gets \rho_{i}s_{i}^{\mathrm{T}}q$;
$q \gets q - \alpha_{i}y_{i}$;
end
$r \gets H_{k}^{0}q$;
$\forall i = k - m, ~ k - m + 1, ~ \ldots, ~ k - 1$ do
$\beta \gets \rho_{i}y_{i}^{\mathrm{T}}r$;
$r \gets r + s_i(\alpha_i - \beta)$;
end
return $(-1) \cdot r \left\llbracket\equiv H_k \times \nabla{f_{k}}\right\rrbracket$;
function $\mathtt{LBFGS}()$:
$x_{0} \gets \mathbf{INIT}$;
$m \gets i \in [5, 10]$;
$q \gets$[]
while !$is\_convergence(f)$ do
$H_{k}^{0} \gets \left(\dfrac{s_{k - 1}^{\mathrm{T}}y_{k - 1}}{y_{k - 1}^{\mathrm{T}}y_{k - 1}}\right)\mathbf{I}$;
$p_{k} \gets get\_prod(f)$;
$\alpha_{k} \gets Wolfe\_coefficient(f, ~ p_{k})$;
$x_{k + 1} \gets x_{k} + \alpha_{k}p_{k}$
if $k > m$ then
q.remove($\{s_{k - m}, y_{k - m}\}$);
$s_{k} \gets x_{k + 1} - x_{k}$;
$y_{k} \gets \nabla{f_{k + 1}} - \nabla{f_{k}}$;
q.append($\{x_{k}, y_{k}\}$);
\end{pseudocode}
\subsection*{Пример}
Возьмем в качестве примера функцию Растригина, описываемая как $f(\vec{x}) = 10n + \sum\limits_{i = 1}^{n}{\left(x_{i}^{2} - 10 \cdot \cos{(2 \cdot \pi \cdot x_{i})}\right)}$, где $-5.12 \leqslant x_{i} \leqslant 5.12$, $n$~-- исследуемая размерность.
Здесь глобальный минимум $f(0, \ldots, 0) = 0$.
В качестве начальной точки возьмем далеко от минимума и запустим зверя.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.55]{Image/AT1_LBFGS_3D_PLOT_1.png}
\caption*{Example of L-BFGS}
\end{figure}
--- "Туда нам надо",~-- сказал L-BFGS и сделал один длинный шаг ровно в минимум.
Полученная точка примерно такая же, что и заявленный минимум.
\subsection*{Исследования}
В качестве исследования здесь мы проведем аналогичные как и в BFGS.
То есть, та же функция $f(x) = 2x$, и Adam как метод минимизации для линейной регрессии.
Итак, зададим те же настройки и получим полный график по батчам $[0, 500]$.
\begin{figure}[H]
\centering
\includegraphics[scale = 0.75]{Image/T2_ADAM_GENERAL.png}
\includegraphics[scale = 0.75]{Image/AT_LBFGS_GENERAL.png}
\caption*{(Minibatch GD) Adam vs. L-BFGS}
\end{figure}
Получаем аналогичные результаты, что и предыдущий пациент.
Связано это с тем, что там и здесь используется одна и та же идея, и, по сути, разница лишь в использовании памяти, которую BFGS жрет как не в себя.
Аналогично рассмотрим наши результаты поближе на отрезке $[200, 500]$:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.75]{Image/T2_ADAM_200_500.png}
\includegraphics[scale = 0.75]{Image/AT_LBFGS_200_500.png}
\caption*{((Minibatch GD) Adam vs. L-BFGS) $\in [200, 500]$}
\end{figure}
И, наконец, приближении в отрезок $[0, 10]$ и $[0, 30]$ в случае с LBFGS:
\begin{figure}[H]
\centering
\includegraphics[scale = 0.75]{Image/T2_ADAM_1_10.png}
\includegraphics[scale = 0.75]{Image/AT_LBFGS_0_30.png}
\caption*{((Minibatch GD) Adam vs. L-BFGS) $\in [0, 10]$ и $\in [0, 30]$}
\end{figure}
\end{document}