多層NNの教師なし学習コンピュータビジョン勉強会＠関東 2014/5/26

多層NNの教師なし学習
コンピュータビジョン勉強会＠関東
(2014/5/26)
阿部厳@tabe2314
Preferred Infrastructure, Inc.

参考文献
• [1] 岡谷貴之, 斉藤真樹. ディープラーニングチュートリアル.
http://www.vision.is.tohoku.ac.jp/index.php/download_file/view/15/137/
• [2] Andrew Ng. CS294A Lecture notes: Sparse autoencoder.
http://www.stanford.edu/class/cs294a/sparseAutoencoder.pdf
• [3] 得居誠也. Deep Learning 技術の今.
https://www.slideshare.net/beam2d/deep-learning20140130

はじめに
• オートエンコーダによるプレトレーニングが主な話題
• 深いNNに対して、事前の学習でよい初期値を与えるこ
とでよい局所解を得られるようにする手法
• 深いNNの学習を可能にしたブレークスルーのひとつだ
が、最近ではプレトレーニングは不要というのがトレン
ド？

プレトレーニング
• 深い多層NNの誤差逆伝搬法による学習はランダムな初
期値ではあまりうまくいかない (2.1.2節)
• よい初期値を与えるために、事前に層毎の教師無し学習
を行う (pretraining)
• あらためてネットワーク全体を学習する (fine-tuning)
[1]より
pretraining fine-tuning

プレトレーニング
• 層毎の教師無し学習の方法
– Deep Belief Network (DBN) の場合
• → RBMをContrastive Divergence法で学習 (4節)
– 多層NNの場合
• → オートエンコーダ

オートエンコーダ
• オートエンコーダ: 入力に近い出力を返す
2層のNN (i.e. 教師信号=入力)
• 入力 → 中間層: エンコーダ
• 中間層 → 出力: デコーダ
• エンコード → デコードして元にもどるよ
うなパラメータを求める
• (プレトレーニングの文脈では出力層とデ
コーダは仮想的なもので学習のときだけ
使う)

オートエンコーダ
• 中間層のサイズ > 入力サイズだと自明な解
（恒等関数）を得てしまう (右図)
• 恒等関数を学習しないようにする工夫:
– 中間層を入力層より小さくする
(bottleneck)
– hがスパースになるように正則化 (3.3節)
– Denoising Auto Encoder*
• と制約してしまうことが多い
– f(x) = xを考えるとわかりやすい (PCAみ
たいなかんじ)
* P. Vincent, H. Larochelle, Y. Bengio and P.-A. Manzagol. Extracting and Composing Robust Features with Denoising Autoencoders. ICML 2008.

オートエンコーダの性質
• 入力を復元できるhを得る
– → 学習サンプルの構造を低次元で (bottleneck) or ス
パースに (スパース正則化) 捉える変換を学習してい
る
• オートエンコーダを自然画像から切り出したパッチで学
習した結果:
[2]より

オートエンコーダによるプレトレーニング
• 入力層からの2層に、仮想的にデコーダを乗せて学習
• hを入力と見なして、次の2層を同様に学習
• 繰り返し
[1]より

オートエンコーダの微調整 (fine tuning)
• 微調整 (fine tuning): プレトレーニング後に、ネットワー
ク全体を学習し直して最終的なモデルを得る
• 教師無し、有りともによい初期値が与えられているので
うまく学習できる (よい局所解にたどり着ける)
教師有り
各ノードがクラス
ラベルに対応する
出力層を乗せて、
(BPで)学習
教師無し
全体をひとつのオー
トエンコーダとみな
して学習
[1]より

スパースオートエンコーダ
• 中間層を搾ることでトリビアルな解を避けられるが、特
徴を表現する能力は制限される
• 代わりにhがなるべくスパースになるという制約を入れ
て学習する
• 最も単純なのは
• g(･)はなど
正則化項

スパースオートエンコーダ
• Wではなくhをスパースにすることに注意
– Wを基底の集合としてみると、できるだけ少数の基底
の組み合わせで入力を再現できるように学習
• スパースコーディングと似ている
[1]より

スパースコーディング*
• 与えられたサンプルを少数の基底の線形結合で表現でき
るように、基底の集合(dictionary)を学習
• 学習時にはD, hを最適化、Dがきまればxに対してhを計
算
• 基底の数 > 特徴次元: overcomplete
* Olshausen, B. A. and Field, D. J.: Emeregnce of simple- cell receptive field properties by learning a sparse code for natural images, Nature, Vol. 381, pp. 607–
609 (1996).
スパースコーディング
, Sparse Coding w ith an Overcom plete Basis Set: a Strategy Em ployed by V1?, Vis. R
min
,
1
2
+
過
（
{ } = , … ,
dictionary
code スパース項: 理想的にはL0

スパースコーディング
スパースコード = [0, 0, …, 0, 0.8, 0, …, 0, 0.3, 0, …, 0, 0.5, …]
Figs from [Yu and Ng, Feature learning for im age classification, Tutorial, ECCV10]
Olshausen, Field, Sparse Coding w ith an Overcom plete Basis Set: a Strategy Em ployed by V1?, Vis. Research96
0.8 * + 0.3 * + 0.5 *
Natural im age patches
min
,
1
2
+
過完備性
（ overcom plete）
{ } = , … ,

スパースコーディングと視覚
• 自然画像から切り出したパッチでスパースコーディング
の学習を行うとガボールフィルターのような基底が得ら
れる
– 脳の初期視覚野で行われている処理と酷似
• アプリケーション: 画像の復元、超解像 etc.
1
2
+
過完
（ ove
= , … ,

スパースオートエンコーダとスパースコーディング
• スパースオートエンコーダ:
• スパースコーディング
• オートエンコーダは陽に存在するエンコーダにより、h
を求める
• スパースコーディングでは最適化の過程で陰にエンコー
ドされる

Topographic ICA
• スパースコーディング、オートエンコーダでは基底の順
序には意味がない
– 生物の視覚野では捉える特徴の分布が物理的な距離
に対応している (近い細胞?は似た特徴に反応)
• プーリングとの組み合わせにより回転等への不変
性を実現
• TICAはこうした性質を学習により獲得しようというも
の
http://www.mathworks.com/matlabcentral/fileexchange/23253-gabor-filterより

不変性
• 不変性: 入力パターンにいろいろな変形を加えて入力し
たとき、ノードの反応が変わらない
• 例えば、CNN + max-poolingは (小さな) 並進への不変性
がある
• 不変性を持った処理を積み重ねていくことで、低次の見
えの変化に関わらず、より高次の概念に反応するノード
を学習するのがDeep Learningがやっていること?

Topographic ICA
• 3層のNNを考える
全結合
近いノードだけ結合
中間層がサンプルをうまく表現できる
プーリング層はできるだけ発火しない

Topographic ICA
• プーリング層の発火を抑えるには、
同じプーリングユニットにつながっているフィルタ層の
ノードは似たパターンに反応するべき
– 常に少数のユニットが反応をするより、たまに多数
のユニットが反応する方が上の値は小さくなる
• 結果同じプーリングユニットには似た特徴がつながる
– → プーリングユニットが微笑な変形に不変性を持つ

まとめ
• 事前の教師無し学習(プレトレーニング)によって、学習
が難しい多層NNにより初期値を与えることが出来る
• 教師無し学習は、入力をできるだけ再現できる中間表現
への変換を求めることで行う
• オートエンコーダの学習では、制約無しだとトリビアル
な解になってしまうので制約を入れる
• スパース制約を入れたオートエンコーダは、スパース
コーディングに酷似
• TICAはさらに特徴の不変性を考慮した学習方法

多層NNの教師なし学習コンピュータビジョン勉強会＠関東 2014/5/26

More Related Content

What's hot (20)

Similar to 多層NNの教師なし学習コンピュータビジョン勉強会＠関東 2014/5/26 (20)