Kernel de tangente neural

No estudo de redes neurais artificiais (RNAs), o kernel de tangente neural (KTN) é um kernel que descreve a evolução de redes neurais artificiais profundas durante seu treinamento por gradiente descendente . Ele permite que RNAs sejam estudadas usando algoritmos do tipo Máquina de vetores de suporte.

Para a maioria das arquiteturas de rede neural, no limite da largura da camada, o KTN se torna constante. Isso permite que declarações simples de forma fechada sejam feitas sobre previsões de rede neural, dinâmicas de treinamento, generalização e superfícies de perda. Por exemplo, ele garante que RNAs largas o suficiente convergem para um mínimo global quando treinados para minimizar uma perda empírica. O KTN de redes de grande largura também está relacionado a vários outros limites de largura de redes neurais.

O KTN foi lançado em 2018 por Arthur Jacot, Franck Gabriel e Clément Hongler. Também estava implícito em alguns trabalhos contemporâneos.

Definição

Caso de saída escalar

Uma RNA com saída escalar consiste em uma família de funções $f\left(\cdot ,\theta \right):\mathbb {R} ^{n_{\mathrm {in} }}\to \mathbb {R}$ parametrizado por um vetor de parâmetros $\theta \in \mathbb {R} ^{P}$.

O KTN é um kernel $\Theta :\mathbb {R} ^{n_{\mathrm {in} }}\times \mathbb {R} ^{n_{\mathrm {in} }}\to \mathbb {R}$ definido por

$$\Theta \left(x,y;\theta \right)=\sum _{p=1}^{P}\partial _{\theta _{p}}f\left(x;\theta \right)\partial _{\theta _{p}}f\left(y;\theta \right).$$

Em uma SVM, o KTN $\Theta$ é um kernel associado a uma feature $\left(x\mapsto \partial _{\theta _{p}}f\left(x;\theta \right)\right)_{p=1,\ldots ,P}$.

Caso de saída vetorial

Uma RNA com saída vetorial de tamanho $n_{\mathrm {out} }$ consiste em uma família de funções $f\left(\cdot ;\theta \right):\mathbb {R} ^{n_{\mathrm {in} }}\to \mathbb {R} ^{n_{\mathrm {out} }}$ parametrizada por um vetor de parâmetros $\theta \in \mathbb {R} ^{P}$.

Neste caso o KTN $\Theta :\mathbb {R} ^{n_{\mathrm {in} }}\times \mathbb {R} ^{n_{\mathrm {in} }}\to {\mathcal {M}}_{n_{\mathrm {out} }}\left(\mathbb {R} \right)$ é um SVM de saída vetorial com valores de $n_{\mathrm {out} }\times n_{\mathrm {out} }$ e matrizes definidas por

$$\Theta _{k,l}\left(x,y;\theta \right)=\sum _{p=1}^{P}\partial _{\theta _{p}}f_{k}\left(x;\theta \right)\partial _{\theta _{p}}f_{l}\left(y;\theta \right).$$

Derivação

Ao otimizar os parâmetros $\theta \in \mathbb {R} ^{P}$ de uma RNA para minimizar uma perda empírica através da método do gradiente, o KTN determina a dinâmica da função de saída da RNA $f_{\theta }$ durante todo o treinamento.

Caso de saída escalar

Para um dataset $\left(x_{i}\right)_{i=1,\ldots ,n}\subset \mathbb {R} ^{n_{\mathrm {in} }}$ com rótulos escalares $\left(z_{i}\right)_{i=1,\ldots ,n}\subset \mathbb {R}$ e uma função de perda $c:\mathbb {R} \times \mathbb {R} \to \mathbb {R}$ associada a uma perda empírica, definida em funções $f:\mathbb {R} ^{n_{\mathrm {in} }}\to \mathbb {R}$ é dada por

$${\mathcal {C}}\left(f\right)=\sum _{i=1}^{n}c\left(f\left(x_{i}\right),z_{i}\right).$$

Ao treinar uma RNA $f\left(\cdot ;\theta \right):\mathbb {R} ^{n_{\mathrm {in} }}\to \mathbb {R}$ é treinado para se ajustar ao conjunto de dados (ou seja, minimizar ${\mathcal {C}}$) via método do gradiente por tempo contínuo os parâmetros $\left(\theta \left(t\right)\right)_{t\geq 0}$ evoluem através da função diferencial ordinária:

$$\partial _{t}\theta \left(t\right)=-\nabla {\mathcal {C}}\left(f\left(\cdot ;\theta \right)\right).$$

Durante o treinamento, a função de saída da RNA segue a evolução de uma equação diferencial dada em termos de KTN:

$\partial _{t}f\left(x;\theta \left(t\right)\right)=-\sum _{i=1}^{n}\Theta \left(x,x_{i};\theta \right)\partial _{w}c\left(w,z_{i}\right){\Big |}_{w=f\left(x_{i};\theta \left(t\right)\right)}.$

Esta equação mostra como o KTN conduz a dinâmica de $f\left(\cdot ;\theta \left(t\right)\right)$ no espaço das funções $\mathbb {R} ^{n_{\mathrm {in} }}\to \mathbb {R}$ durante o treinamento.

Caso de saída vetorial

Para um dataset $\left(x_{i}\right)_{i=1,\ldots ,n}\subset \mathbb {R} ^{n_{\mathrm {in} }}$ com vetores $\left(z_{i}\right)_{i=1,\ldots ,n}\subset \mathbb {R} ^{n_{\mathrm {out} }}$ e uma função de perda $c:\mathbb {R} ^{n_{\mathrm {out} }}\times \mathbb {R} ^{n_{\mathrm {out} }}\to \mathbb {R}$ a perda empírica correspondente em funções $f:\mathbb {R} ^{n_{\mathrm {in} }}\to \mathbb {R} ^{n_{\mathrm {out} }}$ é definida por:

$${\mathcal {C}}\left(f\right)=\sum _{i=1}^{n}c\left(f\left(x_{i}\right),z_{i}\right).$$

O treinamento de $f_{\theta \left(t\right)}$ através do método do gradiente por tempo contínuo produz a seguinte evolução na função do espaço gerada pelo KTN:

$$\partial _{t}f_{k}\left(x;\theta \left(t\right)\right)=-\sum _{i=1}^{n}\sum _{l=1}^{n_{\mathrm {out} }}\Theta _{k,l}\left(x,x_{i};\theta \right)\partial _{w_{l}}c\left(\left(w_{1},\ldots ,w_{n_{\mathrm {out} }}\right),z_{i}\right){\Big |}_{w=f\left(x_{i};\theta \left(t\right)\right)}.$$

Interpretação

O KTN $\Theta \left(x,x_{i};\theta \right)$ representa a influência da perda de gradiente $\partial _{w}c\left(w,z_{i}\right){\big |}_{w=f\left(x_{i};\theta \right)}$ com respeito ao exemplo $i$ sobre a evolução da saída (produção) da RNA $f\left(x;\theta \right)$ através de uma etapa do método do gradiente: no caso escalar, se lê:

$$f\left(x;\theta \left(t+\epsilon \right)\right)-f\left(x;\theta \left(t\right)\right)\approx \epsilon \sum _{i=1}^{n}\Theta \left(x,x_{i};\theta \left(t\right)\right)\partial _{w}c\left(w,z_{i}\right){\big |}_{w=f\left(x_{i};\theta \right)}.$$

Em particular, cada ponto de dados $x_{i}$ influencia a evolução do resultado $f\left(x;\theta \right)$ para cada $x$ ao longo do treinamento, de modo que é capturada pelo KTN $\Theta \left(x,x_{i};\theta \right)$.

Grande limite de largura

Trabalhos teóricos e empíricos recentes em aprendizagem profunda mostraram que o desempenho das RNAs melhora estritamente à medida que a largura de suas camadas aumenta. Para várias arquiteturas de RNA o KTN fornece uma visão precisa sobre o treinamento neste regime de grandes larguras.