机器学习-白板推导系列(三十二)-变分自编码器(VAE，Variational AutoEncoder)

1. Introduction

本小节主要介绍的是$变分自编码器（VariationalAutoEncoder）$，VAE在之前的变分推断中就有介绍，具体在“随机梯度变分推断（SGVI）”中已进行描述。其中采用了重参数化技巧，也就是Amortized Inference。VAE在很多blog中都有详细的解释，这里只是很简单的描述其思想，希望可以抛转引玉。

VAE中的V指的是变分推断，这个概念是来自于概率图模型。而AE的概念是来自于神经网络。所以，VAE实际上是神经网络和概率图的结合模型。

2. 从GMM到VAE

VAE是一个Latent Variable Model（LVM）。我们之前介绍的最简单的LVM是高斯混合模型（GMM），那么GMM是如何一步一步演变成VAE的呢？GMM是k个高斯分布（Gaussian Dist）的混合，而VAE的思想是无限(infinite)个Gaussian Dist的混合。在GMM中，$Z\sim$ Categorical Distribution(1维离散型分布)，如下表所示，

Z	$C_1$	$C_2$	$\cdots$	$C_k$
$P(Z)$	$p_1$	$p_2$	$\cdots$	$p_k$

其中${\sum }_{i=1}^k{p}_i=1$，在给定$Z=C_k$的情况下，满足$P(X|Z=C_i)\sim \mathcal{N}({\mu }_i,{\sum }_i)$。

很容易可以感觉到，这个GMM顶多就用来做一做聚类分布，复杂的任务根本做不了。比如，目标检测，GMM肯定就做不了，因为$Z$只是离散的类别，它太简单了。

下面举一个例子，假设$X$是人民群众，我们想把他们分成工人，农民和反动派。由于，$Z$是一个一维的变量，那么我们获得的特征就很有限，所以分类就很简单。

那么，怎样才可以增加$Z$的特征信息呢？因为$Z$是离散的一维的隐变量，那么把它扩展成离散的高维的随机变量，不就行了。那么，变化就来了，大家看好了。GMM中$Z$是离散的一维变量，那么在VAE被扩展为$m$维的高斯分布$Z\sim \mathcal{N}(0,I_{m\times m})$。而在给定$Z$的条件下，$P(X|Z)\sim \mathcal{N}({\mu }_{\theta }(Z),{\sum }_{\theta }(Z))$。这里采用神经网络来逼近均值和方差，而不通过重参数化技巧这些直接去算（太麻烦了）。那么均值和方差是一个以$Z$为自变量，$\theta$为参数的函数。那么，假设条件可以总结为：
$$\begin{array}{r}\{\begin{array}{ll}Z\sim \mathcal{N}(0,I_{m\times m})& \\ P(X|Z)\sim \mathcal{N}({\mu }_{\theta }(Z),{\sum }_{\theta }(Z))& \end{array}\end{array}\text{\hspace{1em}(1)}$$
其中$Z\sim \mathcal{N}(0,I_{m\times m})$是一个先验分布假设，$Z$服从怎样的先验分布都没有关系，只要是高维的连续的就行了，只是在这里假设为Gaussian。我们关心的不是先验，我们实际上关心的是后验$P(Z|X)$，$Z$实际上只是帮助我们建模的。那么，接下来可以做一系列的推导：
$$\begin{array}{r}{P}_{\theta }(X)={\int }_Z{P}_{\theta }(X,Z)dZ={\int }_{Z}P(Z)P_{\theta }(X|Z)dZ\end{array}\text{\hspace{1em}(2)}$$
推导到了这里有个什么问题呢？因为$Z$是一个高维的变量，所以${\int }_{z}P(Z)P_{\theta }(X|Z)dZ$是intractable，积分根本算不出来。由于，$P_{\theta }(X)$是intractable，直接导致$P_{\theta }(Z|X)$也算不出来。因为根据Bayesian公式，
$$\begin{array}{r}{P}_{\theta }(Z|X)=\frac{P_{\theta }(Z)P_{\theta }(X|Z)}{P_{\theta }(X)}\end{array}\text{\hspace{1em}(3)}$$
$\text{实际上这里就是贝叶斯推断中一个很常见的现象，即为归一化因子计算困难。}$

本小节主要从建模的角度介绍了VAE，实际上这就是一个Latent Variable Model。而GMM是$k$个离散的高斯分布的组合，由于隐变量$Z$是一维的离散变量，所以表达能力有限。为了增加其泛化能力，将其扩展为高维连续的变量。又因为其维度过高，导致通常情况下，后验分布基本是intractable。所以，下一小节将介绍如何求解此类问题。

3. VAE的推断和学习

上一小节中简要的描述了VAE的模型表示，下图则是VAE的模型图。

假设$\theta$这些都已经求出来了。如果要生成一个样本，怎么生成呢？我们先从$Z\sim P(Z)$中进行采样得到一个$z^{(i)}$。那么，$x^{(i)}\sim P_{\theta }(X|Z=z^{(i)})$进行采样即可。所以，这下大家可以深刻的理解，为什么我们关注的是后验$P(X|Z)$了。而$P_{\theta }(X|Z=z^{(i)})$是什么？我们用一个神经网络取逼近它就行了。\textbf{注意：本文中将其假设为高斯分布，并不是必要的，这个都是我们自定义的，是不是高斯分布都没有关系。}由于$P\theta (X|Z)$是intractable的，所以自然的想到可以用一个简单分布去逼近它：$Q_{\varphi }(z|x)\to P\theta (x|z)$，即为：

前面已经讲过很多遍了，通常方法可以将$\log P(X)$做如下分解：
$$\begin{array}{r}\log P(X)=\text{ELBO}+\text{KL}\left(Q_{\varphi }(z\mid x)\Vert P_{\theta }(z\mid x)\right)\end{array}\text{\hspace{1em}(4)}$$
然后采用EM算法求解，EM算法是一种基于时间的迭代算法，之前已经做了详细的解释，大家可以自行查阅，

E-step为：当$Q=P_{\theta }(z|x)$时，KL=0，此时expectation就是ELBO。

M-step为：
$$\begin{array}{r}\theta =\arg \underset{\theta }{\max }\text{ELBO}=\arg \underset{\theta }{\max }{\mathbb{E}}_{P_{\theta }(z|x)}[\log P_{\theta }(x,z)]\end{array}\text{\hspace{1em}(5)}$$
但是，肯定EM算法是用不了的，原因很简单$Q=P_{\theta }(z|x)$这一步根本就做不到，$P_{\theta }(z|x)$求不出来的。我们的求解目标是使$P_{\theta }(z|x)$和$Q_{\varphi }(z|x)$靠的越近越好。那么可以表达为：
$$\begin{array}{rl}⟨\hat{\theta },\hat{\varphi }⟩=& \arg \underset{\theta ,\varphi }{\min }\text{KL}(Q_{\varphi }(z|x)\Vert P_{\theta }(z|x))\\ =& \arg \underset{\theta ,\varphi }{\max }ax\text{ELBO}\\ =& \arg \underset{\theta ,\varphi }{\max }{\mathbb{E}}_{Q_{\theta }(z|x)}[\log \underset{P_{\theta }(x|z)P(z)}{\underbrace{P_{\theta }(x,z)]}}+\text{H}(Q_{\varphi }(z|x))\\ =& \arg \underset{\theta ,\varphi }{\max }{\mathbb{E}}_{Q_{\theta }(z|x)}[\log P_{\theta }(x|z)]-\text{KL}(Q_{\varphi }(z|x)\Vert P_{\theta }(z))\end{array}\text{\hspace{1em}(6)}$$
然后，关于$\theta$和$\varphi$求梯度，采用梯度上升法来求解最优参数。可能大家会看到很多的叫法，SGVI，SGVB，SVI，Amortized Inference，实际上都是一样的，都是结合概率图模型和神经网络，使用重参数化技巧来近似后验分布，至于梯度怎么求，在“变分推断”中详细的介绍了SGVI方法的梯度计算方法。而怎样从分布$Q_{\varphi }(Z|X)$中进行采样呢？用到的是重参数化技巧。

其中，$ϵ$是噪声，通常假定为$ϵ\sim \mathcal{N}(0,I)$；而且，$P(Z|X)\sim \mathcal{N}({\mu }_{\varphi }(X),{\sum }_{\varphi }(X))$，而很容易可以得到，$Z={\mu }_{\varphi }(X)+{\sum }_{\varphi }(X{)}^{\frac{1}{2}}\cdot ϵ$。

• 实际上大家会发现，所谓的VAE不过是“新瓶装旧酒”。只不过是用之前的技术对当前的概念进行了包装而已。大家可以关注一下这两项，${\mathbb{E}}_{Q_{\varphi }(Z|X)}[\log P_{\theta }(X|Z)]$和$\text{KL}(Q_{\varphi }(Z|X)\Vert P_{\theta }(Z))$：

  • 这个$Z\to X$的过程可以被称为Decode，
  • 而$X\to Z$被称为Encode。

• 我们可以看到，在训练过程中，首先是从$Q_{\varphi }(Z|X)$中采样得到$z^{(i)}$：$z^{(i)}\sim Q_{\varphi }(Z|X)$，然后利用$z^{(i)}$生成出样本$x^{(i)}$，即为$x^{(i)}=X\sim P(X|Z=z^{(i)})$。这样就形成了一个环，从$X$开始到$X$结束。

  $注意：训练时，Z由Q_{\varphi }(Z|X)生成,而生成样本时，Z是从简单的高斯分布中采样得到的。$

• 而$\text{KL}(Q_{\varphi }(Z|X)\Vert P_{\theta }(Z))$就是一个正则化项，对$Q_{\varphi }(Z|X)$有一个约束，希望其尽量靠近标准高斯分布。不让模型坍缩到一个点上，如果没有这一项，只是去学习${\mathbb{E}}_{Q_{\varphi }(Z|X)}[\log P_{\theta }(X|Z)]$就很有可能会过拟合。

• 第一项应该是真正的objective function，而第二项是一个regularization。实际上第二项扮演的功能和熵正则化项是一样的，都是使分布尽可能均匀，从而保留更多的可能性，因为熵就是信息量的表现，熵越大可能性越大。

以上就是对公式（6）中结果的详细解释。

3. 小结

本节只是对VAE的简单描述，更深层次的思想可以参考苏建林的blog。本节主要介绍了VAE的模型表示和推断学习过程。

• 有关变分推断的部分，请大家自行阅读“变分推断”中的SGVI方法和“近似推断”那一小节，其中都做了详细的描述。
• 我觉得本章的可读点在：
  • 1.从GMM模型中引出了VAE，VAE不过是GMM的进阶版。
  • 2.进阶以后发现维度太高，后验分布$P_{\theta }(Z|X)$计算不出来，于是采用简单分布$Q_{\varphi }(Z|X)$来近似，这就变分法的思想。
  • 3.详细的介绍了优化ELBO中每一项的意思，这里$\text{KL}(Q_{\varphi }(Z|X)\Vert P_{\theta }(Z))$是正则化项，相信很多同学在看VAE中，描述令表示层服从高斯分布的时候都是一脸懵逼的吧。
  • 4.本文中还复习了用神经网络，代替分布进行采样的重参数化技巧。

其实VAE不过是“新瓶装旧酒”，本身并没有什么技术的革新，用到的算法和思想都是比较老的。