机器学习——第十二章计算学习理论

1 基础知识

该理论研究的是关于通过计算来进行学习的理论，目的是分析学习任务的困难本质，为学习算法提供理论保证，并根据法分析结果指导算法设计。

给定样例集D，假设$\chi$中的所有样本服从一个隐含未知的分布$T$,D中所有样本都是独立地从这个分布上采样而得。
令h为$\chi 到y$的一个映射，泛化误差为
$E(h;T)=P_{x\sim T}(h(x)\ne y)$

h在D上的经验误差为
$\tilde{E}(h;T)=\frac{1}{m}{\sum }_{i=1}^m\parallel (h(x_i)\ne y_i)$

由于D是T的独立同分布采样，因此h的经验误差的期望等于其泛化误差。

几个常用不等式：

jesen不等式：对任意凸函数$f(x)$，有
$f(E(x))\le E(f(x))$

Hoeffding 不等式：若$x_1,x_2,\dots ,x_m$为$m$个独立随机变
量，且满足$0⩽x_i⩽1$,则对任意$ϵ>0$,有

$$\begin{gathered} P\left(\frac{1}{m}\sum _{i=1}^m{x}_i-\frac{1}{m}\sum _{i=1}^m\mathbb{E}(x_i)⩾ϵ\right)⩽\exp (-2m{ϵ}^2), \\ P\left(\left|\frac{1}{m}\sum _{i=1}^m{x}_i-\frac{1}{m}\sum _{i=1}^m\mathbb{E}(x_i)\right|⩾ϵ\right)⩽2\exp (-2m{ϵ}^2). \end{gathered}$$

McDiarmid 不等式：若$x_1,x_2,\dots ,x_m$为$m$个独立随

机变量，且对任意$1⩽i⩽m$,函数$f$满足
$$\underset{x_1,\dots ,x_m,x_i^{\prime }}{\sup }|f(x_1,\dots ,x_m)-f(x_1,\dots ,x_{i-1},x_i^{\prime },x_{i+1},\dots ,x_m)|⩽c_i,$$
则对任意$ϵ>0$,有

$$\begin{gathered} P\left(f\left(x_1,\dots ,x_m\right)-\mathbb{E}\left(f\left(x_1,\dots ,x_m\right)\right)⩾ϵ\right)⩽\exp \left(\frac{-2{ϵ}^2}{{\sum }_i{c}_i^2}\right), \\ P\left(\left|f\left(x_1,\dots ,x_m\right)-\mathbb{E}\left(f\left(x_1,\dots ,x_m\right)\right)\right|⩾ϵ\right)⩽2\exp \left(\frac{-2{ϵ}^2}{{\sum }_i{c}_i^2}\right). \end{gathered}$$

2 PAC学习

令c表示概念，是从样本空间$x到标记空间y的标记$，若对任何样例$(x,y)$，有$c(x)=y$成立，称c为目标概念，所有我没希望学得的目标概念所构成的集合称为概念类，用符号$C$表示。

给定学习算法，它所考虑的所有可能概念的集合称为假设空间，用符号H表示。学习算法会把自认为可能的目标概念击中起来构成H，称为假设，假设h也是从样本空间到标记空间的映射。

可分的（一致的）：若目标概念$c\in H$，则H中存在假设能将所有示例按与真实标记一致的方式完全分开。

不可分的（不一致的）：若目标概念$c\notin H$，则H中不存在假设能将所有示例完全正确分开。

希望比较大的概率学得误差满足预设上限的模型。

令$\delta$表示置信度，定义

PAC辨识：
对0$<ϵ,\delta <1$,所有$c\in C$和分布D，若存在学习算法，其输出假设$h\in H$满足$P(E(h)\le ϵ)\ge 1-\delta$
则称学习算法能从假设空间H中PAC辨识概念类C。

PAC可学习：
令$m$表示从分布$\mathcal{D}$中独立同分布采样得到的样例数目$,0<ϵ,\delta <1$,对所有分布 $\mathcal{D}$,若存在学习算法 $\mathfrak{S}$ 和多项式函数 poly$(\cdot ,\cdot ,\cdot ,\cdot )$,使得对于任何$m⩾$poly$(1/ϵ,1/\delta$,size$(\mathbf{x})$,size$(c)),\mathfrak{S}$能从假设空间$\mathcal{H}$中 PAC 辨识概念类$\mathcal{C}$,则称概念类$\mathcal{C}$对假设空间$\mathcal{H}$而言是 PAC 可学习的，有时也简称概念类$\mathcal{C}$ 是 PAC 可学习的。

PAC 学习算法：
若学习算法$\mathfrak{S}$使概念类$\mathcal{C}$为 PAC 可学习的，且$\mathfrak{S}$的运行时间也是多项式函数 poly$(1/ϵ,1/\delta$, size$(\mathbf{x})$,size$(c))$,则称概念类$\mathcal{C}$是高效 PAC 可学习 (efficiently PAC learnable) 的，称$\mathfrak{S}$为概念类$\mathcal{C}$的 PAC 学习算法。

样本复杂度 (Sample Complexity):满足 PAC 学习算法 $\mathfrak{S}$ 所需的$m⩾$ poly$(1/ϵ,1/\delta$,size$(\mathbf{x})$,size$(c))$中最小的$m$,称为学习算法$\mathfrak{S}$的样本复杂度。

PAC学习中的一个关键因素是假设空间的复杂度，假设空间越大，其包含任意目标概念的可能性越大，从中找到某个具体目标概念的难度也越大。假设空间分为有限假设空间和无限假设空间。

3 有限假设空间

3.1 可分情形

策略：对于训练集D，只需保留与D一致的假设，提出与D不一致的假设。若训练集D足够大，可不断借助D中的样例剔除不一致的假设，直到仅剩一个假设为止，这个假设就是目标概念c。由于训练集规模有限，假设空间可能存在不止一个与D一致的等效假设，对于这些等效假设，无法根据D对它们的优劣进一步区分。

为解决需要多少样例才能学得目标概念c的有效近似。

对分布D上随机采样而得得任何样例$(x,y)$，有
$P(h(x)=y)<1-ϵ$

由于$D$包含$m$个从$\mathcal{D}$独立同分布采样而得的样例，因此，$h$与$D$表现一
致的概率为

$P\left(\left(h({\mathbf{x}}_1)=y_1\right)\wedge \dots \wedge \left(h({\mathbf{x}}_m)=y_m\right)\right)={\left(1-P\left(h\left(\mathbf{x}\right)\ne y\right)\right)}^m$

$<(1-ϵ{)}^m$

仅需保证泛化误差大于$ϵ$,且在训练集上表现完美的所有假设出现概率之和不大于$\delta$即可：
$$\begin{array}{rl}P(h\in \mathcal{H}:E(h)>ϵ\wedge \hat{E}(h)=0)& <|\mathcal{H}|(1-ϵ{)}^m\\ & <|\mathcal{H}|e^{-mϵ},\end{array}$$

$|\mathcal{H}|e^{-mϵ}⩽\delta$ ,

可得
$$m⩾\frac{1}{ϵ}(\ln |\mathcal{H}|+\ln \frac{1}{\delta }).$$

3.2 不可分情形

目标概念c往往不存在于假设空间中，对于任何h，假设空间中得任意一个假设都会在训练集上出现错误。

若训练集$D$包含$m$个从分布$\mathcal{D}$上独立同分布采样而得的样例$,0<ϵ<1$,则对任意 $h\in \mathcal{H}$,有
$$P(\hat{E}(h)-E(h)⩾ϵ)⩽\exp (-2m{ϵ}^2),$$

$$P(E(h)-\hat{E}(h)⩾ϵ)⩽\exp (-2m{ϵ}^2),$$

$$P\left(\right|E(h)-\hat{E}(h)|⩾ϵ)⩽2\exp (-2m{ϵ}^2).$$
若训练集$D$包含$m$个从分布$\mathcal{D}$上独立同分布采样而得的样
例$,0<ϵ<1$,则对任意$h\in \mathcal{H}$,式(12.18)以至少$1-\delta$的概率成立：
$$\hat{E}(h)-\sqrt{\frac{\ln (2/\delta )}{2m}}⩽E(h)⩽\hat{E}(h)+\sqrt{\frac{\ln (2/\delta )}{2m}}.$$

样例数目$m$较大时$,h$的经验误差是其泛化误差很好的近似。对于有限假设空间$\mathcal{H}$,我们有

若$\mathcal{H}$为有限假设空间，$0<\delta <1$,则对任意$h\in \mathcal{H}$,有
$$P\left(\right|E(h)-\hat{E}(h)|⩽\sqrt{\frac{\ln |\mathcal{H}|+\ln (2/\delta )}{2m}})⩾1-\delta .$$

当假设空间给定时，其中必存在一个泛化误差最小得假设，找到此假设得近似也是一个较好得目标，将此目标将PAC学习推广到目标概念不属于假设空间得情况，称为不可知学习。

不可知PAC可学习：令$m$表示从分布$\mathcal{D}$中独立同分布采样得到的样例数目，$0<ϵ,\delta <1$,对所有分布$\mathcal{D}$,若存在学习算法 £ 和多项式函数 poly$(\cdot ,\cdot ,\cdot ,\cdot )$,使得对于任何$m⩾$poly$(1/ϵ,1/\delta$,size$(\mathbf{x})$,size$(c)),\mathfrak{S}$ 能从假设空间 $\mathcal{H}$ 中输出满足式的

假设$h:$

$$P(E(h)-\underset{h^{\prime }\in \mathcal{H}}{\min }E(h^{\prime })⩽ϵ)⩾1-\delta ,$$
则称假设空间是不可知 PAC 可学习的。

4 VC维

现实学习任务所面临得通常是无限假设空间，对此种情形得可学习性进行研究，需度量假设空间得复杂性。最常见得办法是考虑假设空间得VC维。
给定假设空间H和示例集D，H中每个假设h都能对D中示例赋予标记。
增长函数：表示假设空间对m个示例所能赋予标记得最大可能结果数。可能结果是越大，假设空间得表达能力越强，对学习任务得适应能力也越强。

Π H ( m ) = max ⁡ { x 1 , … , x m } ⊆ X ∣ { ( h ( x 1 ) , … , h ( x m ) ) ∣ h ∈ H ∣ \Pi_{\mathcal{H}}(m)=\max_{\{\boldsymbol{x}_{1},\ldots,\boldsymbol{x}_{m}\}\subseteq\mathcal{X}}\left|\left\{\left(h\left(\boldsymbol{x}_{1}\right),\ldots,h\left(\boldsymbol{x}_{m}\right)\right)\right|h\in\mathcal{H}\right| ΠH​(m)={x1​,…,xm​}⊆Xmax​∣{(h(x1​),…,h(xm​))∣h∈H∣

可使用增长函数来估计经验误差与泛化误差之间的关系：
对假设空间$\mathcal{H},m\in \mathbb{N},0<ϵ<1$和任意$h\in \mathcal{H}$有$$P\left(\right|E(h)-\hat{E}(h)|>ϵ)⩽4{\Pi }_{\mathcal{H}}(2m)\exp (-\frac{m{ϵ}^2}{8}).$$
对二分类问题来说，假设空间中的假设对D中示例赋予标记的每种可能结果称为对D的一种对分。

定义VC维：
假设空间$\mathcal{H}$的 VC 维是能被$\mathcal{H}$打散的最大示例集的大小，即
V C ( H ) = max ⁡ { m : Π H ( m ) = 2 m }   . \mathrm{VC}(\mathcal{H})=\max\{m:\Pi_{\mathcal{H}}(m)=2^m\}\:. VC(H)=max{m:ΠH​(m)=2m}.

VC维等于d表明存在大小为d的示例集能被假设空间打散。

若存在大小为d的示例集能被$\mathcal{H}$打散，但不存在任何大小为d+1的示例集能被$\mathcal{H}$打散，则$\mathcal{H}$的VC维是d。

VC维与增长函数有密切联系

1.若假设空间$\mathcal{H}$的VC维为d，则
${\Pi }_{\mathcal{H}}(m)\le {\sum }_{i=0}^d\left(\begin{array}{c}m\\ i\end{array}\right)$
可以计算出增长函数的上界。

2.若假设空间$\mathcal{H}$的VC维为d，则对任意整数$m\ge d$有
${\Pi }_{\mathcal{H}}(m)\le (\frac{e\ast m}{d}{)}^d$
可由以上式子得到基于VC维的泛化误差界。

3.若假设空间$\mathcal{H}$的 VC 维为$d$,则对任意$m>d,0<\delta <1$和

$h\in \mathcal{H}$有
$$P\left(E(h)-\hat{E}(h)⩽\sqrt{\frac{8d\ln \frac{2em}{d}+8\ln \frac{4}{\delta }}{m}}\right)⩾1-\delta .$$

有以下定理：任何VC维有限的假设空间$\mathcal{H}$都是（不可知）PAC可学习的。

5 Rademacher复杂度

上一节描述的基于VC维的可学习性分析结果具有一定的普适性，但是由于没有考虑数据自身，基于VC维得到的泛化误差界通常比较松。

Rademacher复杂度是另一种刻画假设空间复杂度的途径，在一定程度上考虑了数据分布。

给定训练集D，假设h的经验误差为
$\tilde{E}(h)=\frac{1}{2}-\frac{1}{2m}{\sum }_{i=1}^m{y}_{i}h(x_i)$

函数空间$\mathcal{F}$关于$Z$的经验 Rademacher 复杂度

$${\hat{R}}_Z(\mathcal{F})={\mathbb{E}}_{\mathbf{\sigma }}[\underset{f\in \mathcal{F}}{\sup }\frac{1}{m}\sum _{i=1}^m{\sigma }_{i}f({\mathbf{z}}_i)].$$
经验 Rademacher 复杂度衡量了函数空间$\mathcal{F}$与随机噪声在集合$Z$中的相关性。

函数空间$\mathcal{F}$关于$\mathcal{Z}$上分布$\mathcal{D}$的 Rademacher 复杂度
$$R_m(\mathcal{F})={\mathbb{E}}_{Z\subseteq \mathcal{Z}:|Z|=m}[{\hat{R}}_Z(\mathcal{F})].$$

基于 Rademacher 复杂度可得关于函数空间$\mathcal{F}$的泛化误差界。

对实值函数空间$\mathcal{F}:\mathcal{Z}\to [0,1]$,根据分布$\mathcal{D}$从$\mathcal{Z}$中独立同分布采样得到示例集,以至少$1-\delta$的概率有
$$\mathbb{E}[f(\mathbf{z})]⩽\frac{1}{m}\sum _{i=1}^{m}f({\mathbf{z}}_i)+2R_m(\mathcal{F})+\sqrt{\frac{\ln (1/\delta )}{2m}},$$
$$\mathbb{E}[f(\mathbf{z})]⩽\frac{1}{m}\sum _{i=1}^{m}f({\mathbf{z}}_i)+2{\hat{R}}_Z(\mathcal{F})+3\sqrt{\frac{\ln (2/\delta )}{2m}}.$$

对二分类问题，有以下定理（给出了基于Rademacher复杂度的泛化误差界）：

对假设空间 H : X → { − 1 , + 1 } \mathcal{H}:\mathcal{X}\to\{-1,+1\} H:X→{−1,+1},根据分布$\mathcal{D}$从$\mathcal{X}$中独立同分

布采样得到示例集 D = { x 1 , x 2 , … , x m } , x i ∈ X , 0 < δ < 1 D=\{\boldsymbol x_1,\boldsymbol{x}_2,\ldots,\boldsymbol{x}_m\},\boldsymbol{x}_i\in\mathcal{X},0<\delta<1 D={x1​,x2​,…,xm​},xi​∈X,0<δ<1,对任意$h\in \mathcal{H}$,

以至少$1-\delta$的概率有

$$\begin{gathered} E(h)⩽\hat{E}(h)+R_m(\mathcal{H})+\sqrt{\frac{\ln (1/\delta )}{2m}}, \\ E(h)⩽\hat{E}(h)+{\hat{R}}_D(\mathcal{H})+3\sqrt{\frac{\ln (2/\delta )}{2m}}. \end{gathered}$$

可知道基于VC维的泛化误差界是分布无关，数据独立的，基于Rademacher复杂度的泛化误差界与分布有关，通常比基于VC维的泛化误差界更紧一些。

关于Rademacher复杂度与增长函数有定理如下：
假设空间的Rademacher复杂度$R_m(\mathcal{H})$与增长函数$$\begin{gathered} {\Pi }_{\mathcal{H}}(m)\text{ 满足} \\ {R}_m(\mathcal{H})⩽\sqrt{\frac{2\ln {\Pi }_{\mathcal{H}}(m)}{m}} \end{gathered}$$ .

6 稳定性

希望获得与算法有关的分析结果，可以通过稳定性分析来获得结果。

稳定性考察的是算法在输入发生变化时，输出是否会随之发生较大的变化。

定义训练集的两种变化：

$\bullet D^{\backslash i}$表示移除$D$中第$i$个样例得到的集合
D ∖ i = { z 1 , z 2 , … , z i − 1 , z i + 1 , … , z m } , D^{\setminus i}=\{\boldsymbol{z}_1,\boldsymbol{z}_2,\ldots,\boldsymbol{z}_{i-1},\boldsymbol{z}_{i+1},\ldots,\boldsymbol{z}_m\}, D∖i={z1​,z2​,…,zi−1​,zi+1​,…,zm​},
$\bullet D^i$表示替换$D$中第$i$个样例得到的集合
D i = { z 1 , z 2 , … , z i − 1 , z i ′ , z i + 1 , … , z m } , D^i=\{\boldsymbol{z}_1,\boldsymbol{z}_2,\ldots,\boldsymbol{z}_{i-1},\boldsymbol{z}_i^{\prime},\boldsymbol{z}_{i+1},\ldots,\boldsymbol{z}_m\}, Di={z1​,z2​,…,zi−1​,zi′​,zi+1​,…,zm​},
其中${\mathbf{z}}_i^{\prime }=({\mathbf{x}}_i^{\prime },y_i^{\prime }),{\mathbf{x}}_i^{\prime }$服从分布$\mathcal{D}$并独立于$D.$

下面定义关于假设${\mathfrak{E}}_D$的几种损失。

• 泛化损失
  $$\ell (\mathcal{L},\mathcal{D})={\mathbb{E}}_{\mathbf{x}\in \mathcal{X},\mathbf{z}=(\mathbf{x},y)}[\ell ({\mathcal{L}}_D,\mathbf{z})].$$

• 经验损失

$$\hat{\ell }(\mathcal{L},D)=\frac{1}{m}\sum _{i=1}^m\ell ({\mathcal{L}}_D,{\mathbf{z}}_i).$$

• 留一损失

$${\ell }_{loo}(\mathcal{L},D)=\frac{1}{m}\sum _{i=1}^m\ell ({\mathcal{L}}_{D\setminus i},{\mathbf{z}}_i).$$

定义算法的均匀稳定性：
对任何$x\in \mathcal{X},\mathbf{z}=(\mathbf{x},y)$,若学习算法$\mathfrak{S}$满足
$$\left|\begin{array}{c}\ell ({\mathfrak{L}}_D,\mathbf{z})-\ell ({\mathfrak{L}}_{D^{\setminus i}},\mathbf{z})\end{array}\right|⩽\beta ,i=1,2,\dots ,m,$$
则称$\mathfrak{S}$关于损失函数$\ell$满足$\beta$-均匀稳定性，

显然，若算法$\mathfrak{S}$关于损失函数$\ell$满足$\beta$-均匀稳定性，则有
$$\begin{array}{rl}& \left|\ell ({\mathcal{L}}_D,\mathbf{z})-\ell ({\mathcal{L}}_{D^i},\mathbf{z})\right|\\ & ⩽\left|\ell ({\mathcal{L}}_D,\mathbf{z})-\ell ({\mathcal{L}}_{D^i},\mathbf{z})\right|+\left|\ell ({\mathcal{L}}_{D^i},\mathbf{z})-\ell ({\mathcal{L}}_{D^{\setminus i}},\mathbf{z})\right|\\ & ⩽2\beta ,\end{array}$$

若损失函数$\ell$有界,则有定理如下：

给定从分布$\mathcal{D}$上 独立同分布采样得到的大小为$m$的示例集$D$,若学习算法$\mathfrak{S}$满足关于损失函数$\ell$的$\beta$-均匀稳定性，且损失函数$\ell$的上界为$M,0<\delta <1$,则对任意$m⩾1$,以至少$1-\delta$的概率有
$$\ell (\mathcal{L},\mathcal{D})⩽\hat{\ell }(\mathcal{L},D)+2\beta +\left(4m\beta +M\right)\sqrt{\frac{\ln (1/\delta )}{2m}}$$
$$\ell (\mathcal{L},\mathcal{D})⩽{\ell }_{loo}(\mathcal{L},D)+\beta +(4m\beta +M)\sqrt{\frac{\ln (1/\delta )}{2m}}.$$