贝叶斯神经网络简史

在刚刚过去的 NIPS 2016 会议上,剑桥大学信息工程学教授 Zoubin Ghahramani 为我们讲述了贝叶斯神经网络的发展历程。本文从研究背景和问题应用切入,介绍了贝叶斯神经网络的起源、黄金时期以及后来的复兴,并介绍了每个发展阶段的几篇关键研究,是一份简明扼要的学习资料,能够帮你快速深入理解贝叶斯神经网络。

image (18).png

P4:上世纪八十年代的研究背景

  • 《玻尔兹曼机》于 1985 年出版,1986 年反向传播网络论文发表,接着 1987 年 PDP 大量出现。这一领域过去也被称为连接机制,NIPS 是该领域的主要学术会议。


P5-P7:神经网络与深度学习简介

  • 神经网络与深度学习系统在很多基准任务的表现优异,但是它也有以下缺陷:

  • 需要大量数据(常常是数百万样本)

  • 训练与部署的计算量大(云 GPU 资源)

  • 不确定性表征得不太好

  •  常常被对抗样本欺骗

  •  对于优化很挑剔:非凸+架构选择,学习程序(procedure),初始化等等,还需要专家知识(expert knowledge)和实验 

  • 过程黑箱,无法解释,缺少透明性,很难信任其结果。

image (19).png

P8 -12:贝叶斯在这里有什么帮助

  • 处理参数不确定性的所有来源 

  • 具备处理结构不确定性的能力 

  • 贝叶斯定理告诉我们要从数据(可衡量的量)当中做一些关于假设(不确定的量)的推理。

  • 学习和预测都可以看作是推理的形式。

  • 校正模型与预测不确定性:让系统知道它们何时不知道。

  • 自动模型复杂性控制与结构学习((Bayesian Occam's Razor))

  • 要清楚的一点是「贝叶斯」属于算法范畴,不是模型类。任何定义好的模型都可以用贝叶斯方法。

image (20).png

P13:贝叶斯神经网络


P14-16:贝叶斯神经网络的早期历史

贝叶斯神经网络的早期历史可以从以下几篇论文中了解:

  • John Denker, Daniel Schwartz, Ben Wittner, Sara Solla, RichardHoward, Lawrence Jackel, and John Hopfield. Large automaticlearning, rule extraction, and generalization. Complex Systems,1(5):877-922, 1987.

  • Nafitali Tishby,Esther Levin,and Sara A Solla. Consistent inference of probabilities in layered networks: Prediction and generalization. In IJCNN,1989. 

  • ......


P17- 20 贝叶斯神经网络的黄金时期 

  • David JC Mackay 发表在神经计算(Neural Computation)上的一篇文章:A Pratical Bayesian Framework For Backpropagation Networks 揭开了这一时期的序幕。

  • Neal, R.M. 1995 年在多伦多大学的博士论文:Bayesian learning for neural networks. 这篇论文也奠定了贝叶斯神经网络 (BNN) 和高斯过程(Gaussian processes)以及自动相关决策机制(automatic relevance determination ,ARD)之间的关系。

P21-24 高斯过程与贝叶斯神经网络

  • 高斯过程可被用于回归、分类、排名等。

  • 将郎格文动力学(Langevin dynamics,一种 MCMC 的形式)与随机梯度下降(SGD)结合起来得到一个基于 minibatch SGD 的高度可扩展的近似 MCMC 算法。

  • 这样一来,贝叶斯推断就能像运行嘈杂的 SGD 那样简单。

  • 一个带有一层隐藏层和无数隐藏单元的神经网络和权重高斯先验 

  • MacKay 和 Neal 的贡献将特征与架构选择与高斯过程联系起来 

P25- 28 贝叶斯神经网络中的变分学习(variational learning)

  • Hinton 的一篇论文推导出一个贝叶斯网络权重的对角高斯变分近似,但是用最小描述长度信息理论语言进行描述。


P29 随机梯度朗格文动力学(Langevin Dynamics)


P30:贝叶斯神经网络的复兴

P31-32 概率方法什么时候变得非常重要?

  • 学习的很多方面都非常依赖于不确定性的细致表征

P33 结论

概率模型为建立能从数据中学习的系统提供了通用框架

贝叶斯神经网络有很长的历史并且正在经历着复兴的浪潮 


P35-36 模型比较及学习模型结构


P37-39 贝叶斯奥卡姆剃刀(Bayesian Occam's Razor)

  • 模型类别太过简单就可能无法生成数据集。

  • 模型类别较复杂可以生成很多可能的数据集,所以它们也不太可能随机生成某个特定的数据集。


P40 模型比较和奥卡姆剃刀


P41-42 边缘似然 (marginal likelihood) 和后验(posteriors)的近似方法(Approximation Methods)

  • 拉普拉斯近似(Laplace Approximation)

  • 贝叶斯信息准则(Bayesian Information Criterion,BIC)

  • 变分近似(Variational approximations)

  • 期望传播 (Expectation Propagation,EP)

  • 马尔科夫蒙特卡洛方法(Markov chain Monte Carlo methods,MCMC)

  • 序列蒙特卡洛方法(Sequential Monte Carlo,SMC)

  • 精确抽样(Exact Sampling)

  • ……

PDF下载

http://bayesiandeeplearning.org/slides/nips16bayesdeep.pdf

入门OpenAI贝叶斯贝叶斯网络NIPS概率图模型入门
暂无评论
暂无评论~