Cham's Blog Algorithm, skill and thinking

机器学习中的分布差异度量方法


分布差异主要描述两个分布(一般是二维矩阵)之间的差异,机器学习中常用的分布差异度量方法包括:基于熵的信息熵、条件熵、交叉熵、KL 散度、JS 散度以及 Wasserstein 距离等,其含义、理论总结。

Cham’s Blog 首发原创

1. 信息熵 (Entropy)

熵 Entropy 是一种量化数据中的信息的单位,一般用 $H$ 表示。分布的熵的公式如下:

\[H(p)=-\sum_{i=1}^Np(x_i)·\text{log}\ p(x_i)\]

当对数底为 2 时,表示的是编码概率分布 $p$ 所需要的最少二进制位个数。

2. KL散度 (KullbacK-Leibler Divergence)

也称相对熵。熵的大小可以度量编码 $p$ 最少需要多少空间,而 KL 散度则是衡量使用一个概率分布代表另一个概率分布所损失的信息量

\[\begin{align} D_{KL}(p||q)&=\sum_{i=1}^Np(x_i)·\left(\text{log}\ (p(x_i)-\text{log}\ (q(x_i)\right)\\ &=\sum_{i=1}^Np(x_i)·\text{log}\frac {p(x_i)} {q(x_i)}\\ &=\sum_{i=1}^Np(x_i)·\text{log}\ p(x_i)-\sum_{i=1}^Np(x_i)·\text{log}\ q(x_i)\\ &=H(p,q)-H(p) \end{align}\]

$p$ 为真实分布,使用 $q$ 来近似 $p$。 由公式可以看出,$D_{KL}(p||q)$ 就是 $q$ 和 $p$ 对数差值关于 $p$ 的期望,所以 KL 散度表示如下:

\[D_{KL}(p||q)=E[\text{log}\ p(x)-\text{log}\ q(x)]\]

注意: 1)如果继续用 2 为底的对数计算,则 KL 散度值表示信息损失的二进制位数。 2)如果 $p$ 和 $q$ 是同分布的,则 KL 散度为 0。 3)KL 散度不是距离,因为不符合对称性,所以用 KL 散度度量分布差异时需设计成对称的,$D_{KL}(p||q)+D_{KL}(q||p)$

Specializing to Gaussian measures $P\sim\mathcal{N}(\mu_1, \Sigma_1)$ and $Q\sim\mathcal{N}(\mu_2, \Sigma_2)$, then the KL divergence is given by

\[\text{KL}(P||Q)=\frac 1 2 [(\mu_2-\mu_1)^{\top}\Sigma_2^{-1}(\mu_2-\mu_1)+\text{trace}(\Sigma_2^{-1}\Sigma_1)-\text{ln}(\frac {det(\Sigma_1)} {det(\Sigma_2)})-K]\]

3. 条件熵 (Conditional Entropy)

条件熵是在已知随机变量 X 的条件下,Y 的条件概率分布的熵对随机变量 X 的数学期望

\[\begin{align} H(Y|X) &=\sum_{x\in\mathcal{X}} p(x) H(Y|X=x) \\ &=-\sum_{x\in\mathcal{X}} p(x) \sum_{y\in\mathcal{Y}} p(y|x) \log p(y|x)\\ &=-\sum_{x\in\mathcal{X}}\sum_{y\in\mathcal{Y}} p(x,y)\log p(y|x)\\ &=-\sum_{x\in\mathcal{X},y\in\mathcal{Y}}p(x,y)\log p(y|x)\\ \end{align}\]

最小化条件熵让模型远离决策边界,可以应用在无监督数据上,以利用其数据分布信息。

4. 交叉熵 (Cross entropy)

1) Cross entropy

\[\begin{align} H(p||q)&=-\sum_{i=1}^Np(x_i)·\text{log}\ {q(x_i)}\\ &=D_{KL}(p||q)+H(p) \end{align}\]

为什么深度学习中用交叉熵而不用 KL 散度? $H(p,q)$ 中 $p$ 代表数据的真实分布,数据已经给定;$q$ 代表模型学到的分布,真实数据的熵 $H(p)$ 是固定的,对于最小化问题等价。

2) 和 softmax 结合应用在深度学习中 softmax 原理

\[\sigma ( \mathbf { z } ) _ { j } = \frac { e ^ { z _ { j } } } { \sum _ { k = 1 } ^ { K } e ^ { z _ { k } } } \quad \text { for } j = 1 , \ldots , K\]

其中 $z_j$ 为神经元输出。然后基于交叉熵和 softmax 归一化的 loss

\[L=-\frac 1 N\sum_{i=1}^Ny_i\ \text{log}\ \frac {e^{f(x_i)}} {\sum e^{f(x_i)}}\]

5. JS 散度(Jensen-Shannon)

JS 散度度量了两个概率分布的相似度,基于 KL 散度的变体,解决了 KL 散度非对称的问题。一般地,JS 散度是对称的,其取值是 0 到 1 之间。定义如下:

\[JS(p||q)=\frac 1 2 KL(p||\frac {p+q} 2)+\frac 1 2 KL(q||\frac {p+q} 2)\]

KL 散度和 JS 散度度量的时候有一个问题: 如果两个分布 p, q 离得很远,完全没有重叠的时候,那么 KL 散度值是没有意义的,而 JS 散度值是一个常数。这在学习算法中是比较致命的,这就意味这这一点的梯度为 0,梯度消失了。

6. Wasserstein 距离

Wasserstein 距离度量两个概率分布之间的距离,定义如下:

\[W(P_1,P_2)=\inf_{\gamma \sim \prod (P_1,P_2)} E_{(x,y)\sim\gamma}[||x-y||]\]

$\prod (P_1,P_2)$ 是 $P1$ 和 $P2$ 分布组合起来的所有可能的联合分布的集合。对于每一个可能的联合分布 $\gamma$,可以从中采样 $(x,y)\sim\gamma$ 得到一个样本 $x$ 和 $y$,并计算出这对样本的距离 $|x−y|$,所以可以计算该联合分布 $\gamma$ 下,样本对距离的期望值 $E_{(x,y)∼\gamma} [|x−y|]$。在所有可能的联合分布中能够对这个期望值取到的下界就是 Wasserstein 距离。

直观上可以把 $E_{(x,y)∼\gamma} [|x−y|]$ 理解为在 $\gamma$ 这个路径规划下把土堆 P1 挪到土堆 P2 所需要的消耗。而 Wasserstein 距离就是在最优路径规划下的最小消耗。所以 Wasserstein 距离又叫 Earth-Mover 距离。

Wasserstein 距离相比 KL 散度和 JS 散度的优势在于:即使两个分布的支撑集没有重叠或者重叠非常少,仍然能反映两个分布的远近。而 JS 散度在此情况下是常量,KL 散度可能无意义。

Specializing to Gaussian measures $P\sim\mathcal{N}(\mu_1, \Sigma_1)$ and $Q\sim\mathcal{N}(\mu_2, \Sigma_2)$, then the $2$-Wasserstein metric is given by

\[W_2^2(P,Q)=\|\mu_1-\mu_2\|_2^2+\text{tr}(\Sigma_1+\Sigma_2-2(\Sigma_1^{\frac 1 2}\Sigma_2\Sigma_1^{\frac 1 2})^{\frac 1 2})\]


Comments

Content