在线学习算法FTRL基本原理

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/iyuanshuo/article/details/79981019

相关介绍

SGD: Stochastic Gradient Descent

由于批量梯度下降法在更新每一个参数时,都需要所有的训练样本,所以训练过程会随着样本数量的加大而变得异常的缓慢。 与SGD比较,GD需要每次扫描所有的样本以计算一个全局梯度,SGD则每次只针对一个观测到的样本进行更新。通常情况下SGD可以更快的逼近最优值,而且SGD每次更新只需要一个样本,使得它很适合进行增量或者在线计算(也就是所谓的Online learning)。权重更新方式如下:

Δωt=ηgt

ωt+1=ωt+Δωt

特别的,迭代和选取模型的时候我们经常希望得到更加稀疏的模型,这不仅仅起到了特征选择的作用,也降低了预测计算的复杂度。在实际使用LR的时候我们会使用L1或者L2正则,避免模型过拟合和增加模型的鲁棒性。在GD算法下,L1正则化通常能得到更加稀疏的解;可是在SGD算法下模型迭代并不是沿着全局梯度下降,而是沿着某个样本的梯度进行下降,这样即使是L1正则也不一定能得到稀疏解1

TG

简单加入L1范数

如上所说,在GD算法下,L1正则化通常能得到更加稀疏的解;可是在SGD算法下模型迭代并不是沿着全局梯度下降,而是沿着某个样本的梯度进行下降,这样即使是L1正则也不一定能得到稀疏解。a+b两个float数很难绝对等于零,无法产生真正稀疏的特征权重。权重更新方式如下:

Δωt=gtλsgn(ωt)

ωt+1=ωt+ηΔωt

简单截断法

既然L1正则化在Online模式下也不能产生更好的稀疏性,而稀疏性对于高维特征向量以及大数据集又特别的重要,我们应该如何处理的呢?

简单粗暴的方法是设置一个阀值,当W的某纬度的系数小于这个阀值的时候,将其直接设置为0。这样我们就得到了简单截断法。简单截断法以k为窗口,当tk不为整数时采用标准的SGD进行迭代,当tk为整数时,权重更新方式如下:

ωt+1=T0(ωt+ηΔωt,θ)

T0(vi,θ)={0,if|vi|0vi,otherwise

θ为一正数,vi为一向量。

梯度截断法

简单截断法法简单且易于理解,但是在实际训练过程中的某一步,ω的某个特征系数可能因为该特征训练不足引起的,简单的截断过于简单粗暴(too aggresive),会造成该特征的缺失。那么我们有没有其他的方法,使得权重的归零和截断处理稍微温柔一些呢?那就是梯度截断法。

ωt+1=T0(ωt+ηL(ωt),ηgi,θ)

(1)T1(vi,α,θ)={max(0,viα),ifvi[0,θ]min(0,vi+α),ifvi[θ,0]vi,otherwise

同样的梯度截断法也是以k为窗口,每k步进行一次截断。当tk不为整数时,当tk为整数时gi=kg。从Eq.(1)可以看出gθ决定了截断的区域,也决定了ω的稀疏程度。这两个数值越大,截断区域越大,稀疏性也越强。尤其这两个值相等的时候,只需要调节一个参数就能控制稀疏性。

FOBOS: Forward Backward Splitting2

FOBOS将每一个数据的迭代过程,分解成一个经验损失梯度下降迭代Eq.(1)和一个最优化问题Eq.(2)。分解出的最优化问题Eq.(2),有两项:第一项l2范数表示不能离第一步loss损失迭代结果太远,第二项是正则化项,用来限定模型复杂度抑制过拟合和做稀疏化等3

(1)ωt+12=ωtηtgtf

(2)ωt+1=argminω{12ωωt+122+ηt+12r(ωt)}

对Eq.(2)求ωt+1导数,我们可以得出一个结论:0一定属于Eq.(2)等号右边的导数集!

(3)0{12ωωt+122+ηt+12r(ωt+1)}|ω=ωt+1

由于ωt+1=ωtηtgtf,可得

(4)0ωt+1ωt+ηtgtf+ηt+12r(ωt+1)

Eq.(4)意味着只要选择使得Eq.(3)最小的ωt+1,那么就保证可以获得向量gt+1fr(ωt+1)使得:

(5)0=ωt+1ωt+ηtgtf+ηt+12gt+1f

从而将ωt+1写成:

(6)ωt+1=ωtηtgtfηt+12gt+1f

最后论文中推导了带L1正则的FOBOS算法。权重更新式为:
f_W

算法伪代码如下:

f_al

RDA: Regularized dual averaging4

之前的算法都是在SGD的基础上,属于梯度下降类型的方法,这类型的方法的优点是精度比较高,并且TG、FOBOS也能在稀疏性上得到提升。但是RDA却从另一个方面进行在线求解,并且有效提升了特征权重的稀疏性。

L1-RDA特征权重各个纬度更新方式为:

rda_l1

这里当某个纬度上累积梯度平均值小于阀值的时候,该纬度权重将被设置为0,特征稀疏性由此产生。

对比L1-FOBOS我们可以发现,L1-FOBOS是TG的一种特殊形式,在L1-FOBOS中,进行截断的判定条件是|ωtηtgtf|λTG=ηt+12λ。通常会定义为正相关函数η=Θ(1t)。因此L1-FOBOS的截断阀值为Θ(1t)λ,随着t增加,这个阀值会逐渐降低。而相比较而言L1-RDA的截断阀值为,是一个固定的常数,因此可以认定L1-RDA比L1-FOBOS更加aggressive。此外L1-FOBOS判定是针对单次梯度计算进行判定,避免由于训练不足导致的截断问题。并且通过调节一个参数,很容易在精度和稀疏性上进行权衡。

给出其两种实现的伪代码:

rad1

rda2

FTRL: Follow-the-Regularized-Leader

有实验证明,L1-FOBOS这一类基于梯度下降的方法有较高的精度,但是L1-RDA却能在损失一定精度的情况下产生更好的稀疏性。如何能把这两者的优点同时体现出来的呢?这就是FTRL,L1-FOBOS与L1-RDA在形式上的统一。这里有张来自引用[3]的图:

f

FTRL综合考虑了FOBOS和RDA对于正则项和W的限制,其特征权重为:

ftrl_w

而后可导出更新式为:

ftrl_update

具体的变换推导,请参考2013年发表的FTRL工程化实现的论文5

其采用L1和L2混合正则的FTRL的伪代码如下:

ftrl_algorithm

上面所谓的per-coordinate,其意思是FTRL是对w每一维分开训练更新的,每一维使用的是不同的学习速率,也是上面代码中λ2之前的那一项。与w所有特征维度使用统一的学习速率相比,这种方法考虑了训练样本本身在不同特征上分布的不均匀性,如果包含w某一个维度特征的训练样本很少,每一个样本都很珍贵,那么该特征维度对应的训练速率可以独自保持比较大的值,每来一个包含该特征的样本,就可以在该样本的梯度上前进一大步,而不需要与其他特征维度的前进步调强行保持一致。

总结

从类型上来看,简单截断法、TG、FOBOS属于同一类,都是梯度下降类的算法,并且TG在特定条件可以转换成简单截断法和FOBOS;RDA属于简单对偶平均的扩展应用;FTRL6可以视作RDA和FOBOS的结合,同时具备二者的优点。目前来看,RDA和FTRL是最好的稀疏模型Online Training的算法。FTRL并行化处理,一方面可以参考ParallelSGD,另一方面可以使用高维向量点乘,及梯度分量并行计算的思路。

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页