噪声预测（噪声预测的无监督学习）

本文内容摘要

1、本文从informax（信息最大化）算法入手，解释如何最大程度地保留输入数据信息，进而学习最优的密集表征。

2、把表征限制在一个单位范围内，对于informax算法框架十分有利，本文阐明了其中的原因。

3、一个分布均匀的确定性表征是否存在，以及informax算法标准是否达到了最大化，问题的答案非常明显。因此，如果我们相信这样的解决方法是确实存在的，那么我们完全可以直接寻找接近均匀分布的确定性映射。

4、“噪声目标法”（NAT）就是寻找一个在单位范围的边缘是均匀分布的确定性映射。具体来说就是，从统一样本中，尽量缩小实际操作的“地球移动距离”（EMD）。

5、Bojanowski和Joulin在他们的论文中提到了随机使用“匈牙利算法”来更新分配矩阵，在本文的最后，我也对此作了简单的阐述。

通过信息最大化进行表征的学习

假设我们现在将要学习来自于一些 pX分布的数据 xn的一个密集表征。通常情况下，表征可以用一个随机变量zn表示，这个变量作经过了一些参数分布条件

的采样。

xn～pX

zn～pZ|X=xn,

在变化的自编码器中，这个参数分布条件

会被称为“编码器”或者是“识别模型”，又或者是“摊销变化后端”。不过重要的是，我们现在是跟“编码器”进行一对一工作，无需明确地指示出一个生成的分布

。

“信息最大化”原则的意思是一个好的表征的信息熵是密集分布的，同时还要保留输入X中尽可能多的信息。这一目标可以正式表达为：

表示“互信息”，

表示“申农熵”。

我还引入了下面的符号分布：

在实际中，这些“最优化问题”有可能是以各种不恰当的方式呈现的，所以这些问题本身也是存在问题的。

1、一般情况下，边缘的熵是很难估测的。我们需要采取一种比较智能的方式来限制

，不需要对熵进行实际的计算。

2、如果一个表征具有确定性和可逆性，那么“互信息”在连续的空间内就是无限循环的，而这些最优化问题就会变得毫无意义。所以，为了使这些最优化问题变得有意义，我们需要确保那些病态的可逆行为永远都不会出现。

为了解决以上问题，我们可以作以下的改变：

1、首先，运用勒贝格有限测度，把Z的定义域限制在的

子集范围内，这样一来，微分熵

在这个定义域内就会始终受到均匀分布的熵的约束。为了与论文内容一致，我们可以把表征定义域限制在欧几里得单位

的范围内。

2、第二，尝试把

和多噪声表征

（

表示噪声）之间的信息最大化。我将假定

遵循了一种球状的分布规则，而这个添加的噪声在实际操作中，从任何给定的范围

内，设定了一个

预测的上限（或者是设定了表征可逆性的上限）；从而也框定了“互信息”，把它限制在一个有限值内。那么我们的最优化问题就变成了：

这个损失函数生成了一种直观的感受：你可能正以一种非常随机的方式，把你的输入Xn在单位范围内映射为Zn，但是这样做，原始数据点Xn就会很容易从Zn的噪声版——

恢复。换句话来说，我们是在寻找一个在某种程度上能够抵挡加性噪声的表征。

确定和统一的表征

我们能很轻易地指出是否存在至少一个表征pZ|X;，这个表征具备以下两种特质：

第一，Zn是Xn的确定性函数；第二，

是在单位范围内的均匀分布。

如果具备了以上特征，那么这个

就是信息最大化目标中的全局最优点。

但值得关注的是，这个确定性的表征也许并不是独一无二的，可能会存在很多很多好的表征，尤其是当

时。

再看这样的案例：假设X是一个标准的多元高斯，表征Z是X的一个正常的正交投影。例如，针对一些正交转换A来说：

Z在单位范围内将会具备均匀分布，而这也是一个确定性的映射。因此，Z是一个信息最大化的表征，它对任何同样正交映射A都十分有利。

所以，如果我们假设只存在至少一个确定的、统一Px的表征，那么寻找确定的、能够把数据映射为大致均匀分布的表征就意义非凡了。

这才是“噪声目标法”（NAT）的目的所在

为达到一个在表征空间里均匀的分布，NAT采用的方法是使“地球移动距离”（EMD）最小化。首先，我们根据已有的数据点，随机画了尽可能多的均匀分布，我们把这些均匀分布看作Cn。然后，我们试着把每个Cn与一个数据点配对，直到Cn和对应的表征

之间的“均方距离”达到最小值。一旦配对成功，已配对的表征和噪声向量之间的“均方距离”就能被视为测量分布均匀性的度量单位。确实，这是对“瓦瑟斯坦距离”（Pz分布和均匀分布之间的距离）的一种经验性估测。

信息最大化的表征就一定是好的表征吗？

过去的几天，我做了太多这种类型的讲话——什么是一个好的表征？无监督的表征学习究竟是什么意思？对于InfoMax表征，你同样可以提出这样的问题：这是找到一个好表征的最佳指导原则吗？

还不够。对于新手，你可以以任意的方式转换你的表征，只要你的转换是可逆的，百思特网那么“互信息”就应该是相同的。所以你可以在可逆的条件下对你的表征做任何转换，无需考虑InfoMax的目标。因此，InfoMax标准不能单独找到你转换过的表征。

更有可能出现的是，我们在操作经验中所看到的那些成功案例都是ConvNets与InfoMax原则联合使用的结果。我们仅在ConvNet比较容易展示的表征中，对信息进行最大化操作。

本文总结

NAT的表征学习原则可以理解为寻找InfoMax表征，即最大化地保留了输入数据的信息的有限熵的表征。在“卷积神经网络范例”中也存在类似的信息最大化的解读，它根据数据点的噪声版本来估测这个数百思特网据点的指数。在开始的时候，你肯定会认为这些算法很奇怪，甚至是超乎常理的，但是如果我们把这些算法重新理解为信息最大化工具，我们就会对他们有所改观。反正至少我对他们是有了更深的认识和理解的。

特别内容：一些关于EMD随机版本的小提示

以这种文字的方式实施EMD度量的难处在于，你需要找到一个最优的分配方案，分配好两个实操经验上的分布和尺度

。那么为了回避这个难题，作者提出了一个“最优分配矩阵”的任意更新升级，即所有的配对一次只进行一小批更新升级。

我并不指望这个“最优分配矩阵”能有多有用，但是值得一提的是，这一矩阵使这个算法很容易陷入局部的最小值。假设表征

的参数是固定的，我们变化、更新的只是其中的分配。我们来看下面图形中的解读：

在这个2D的球状单位（圆圈）上的X1，X2，X3分别是三个数据点，这些数据点之间距离相等。是三个可能的噪声分配，三者之间也是距离相等。C1,C2,C3很明显，其中的最优分配就是把X1与C1配对，X2与C2配对，X3与C3配对。

假设，我们当前的映射是次优的，如图中蓝色箭头指示的；而且我们现在只能在尺寸2的minibatch上更新分配。在尺寸2的minibatch上，我们的分配只有两种可能性：第一，保持原来的分配不变；第二，把所有的点都互换，就像图中红色箭头指示的。在上图这个例子中，保持原来的分配（蓝色箭头）比互换所有的点（红色箭头）更可行。因此，minibatch的更新将会使minibatch算法陷入这个局部的最小值。

但是这并不意味着这个方法没有用。当

也同时被更新了的情况下，这个方法确实能让算法摆脱这个局部最小值。其次，batch的尺寸越大，就约难找到这样的局部最小值，那么算法也就越不会陷入最小值。

我们可以转换一种思维方式，把这个任意的“匈牙利算法”的局部最小值看作是一个图表。每一个节点代表一个分配矩阵状态（一个分配排列），每一条边对应一个基于minibatch的有效更新。一个局部最小值就是一个节点，这个最小值节点与其周边的N!节点相比成本较低。

如果我们把原本大小为B的minibatch扩大到一个总样本的尺寸N，那么我们就会在图中得到一个N!节点，而每个节点百思特网都会超出额度，达到

。那么任意两个节点连接的概率就是

。Batch的B尺寸越大，我们这个图表就会变得越紧密，局部最小值也就不存在了。