(3강) 작은 모델, 좋은 파라미터 찾기: AutoML 이론

• AutoML에 대한 전반적인 소개

[Further Reading ]

• [Optional][Gaussian process 참고자료] Bayesian Deep Learning; 최성준 교수님

• [Optional] A Visual Exploration of Gaussian Processes

• Towards automating machine learning - Dr Thorben Jensen

• [Paper] Algorithms for Hyper-Parameter Optimization

AutoML에 대한 현실적인 접근에 대해 고민해보기

1. Overview

1.1. Conventional DL Training Pipeline

데이터의 추가나 변수 삭제에 따라 Re-Tuning하는 작업을 사람이 반복적으로 하게 된다.

1.2. Objective of AutoML

AutoML(HPO: Hyperparameter Optimization)의 문제 정의

1.3. Properties of configurations in DL

DL model Configuration(Architecture, Hyperparameter)의 특징

• 주요 타입 구분

  • Categorical

    ex) optimizer:[Adam, SGD, AdamW], module: [Conv, BottleNeck,...]

  • Continuous

    ex) learning rate, regularizer param, ...

  • Integer

    ex) Batch size, epochs, ...

• Conditional(🌟): 한 configuration에 따라 search space가 달라질 수 있음

  • Optimizer의 sample(e.g. SGD, Adam 등등)에 따라서 optimizer parameter의 종류, search space도 달라짐 (e.g,optimizer에 따른 learning rate range 차이, SGD:momentum, Adam:alpha, beta1, beta2, ..등등)

  • Module의 sample(e.g.VanillaConv, BottleNeck, Inverted Residual 등등)에 따라서 해당 module의 parameter의 종류, search space도 달라짐

1.4. 모델경량화 관점에서의 AutoML

(주어진) 모델을 경량화하자 vs (새로운) 경량 모델을 찾자

• 모델 경량화의 접근 두가지

• 기존 가지고 있는 모델을 경량화하는 기법

  • Pruning, Tensor decomposition, ...

  • 추가적은 후처리가 필요하다. 일반적으로 하기 어려울 수 있다.

• Search를 통하여 경량 모델을 찾는 방법

  • NAS(Neural Architecture Search), AutoML(Automated Machine Learning)...

2. Basic Concept

2.1. AutoML Pipeline

• Blackbox optimization; objective를 최대화하는 값을 찾는 것.

• 다음에는 어떤 $\lambda$를 찾아볼까를 반복하는 방식

Bayesian Optimization(BO)

• Surrogate Function: $f(\lambda)$를 예측하는 모델 (regression model)

• Acquisition Function: 다음엔 어느 $\lambda$를 찾아보면 좋을지?

2.2. Bayesian Optimization(with Gaussian Process Regression)

• $\lambda$(그림의 x)를 Sample(observation)

• 해당 sample(configuration)로 DL 모델을 학습

• objective를 계산 (우측 point)

• Surrogate model update (그림의 실선, 파란 영역)

  ex) GP model, posterior mean, posterior variance(uncertainty)

• Acquisition Function update (그림의 초록 영역)

  ex) Expected Improvement, Upper Confidence Bounds

Gaussian Process Regression 의 설명

• 일반적인 Regression task: “Estimate the function f fits the data the most closely”

  Set of train data: $(X,Y)$set of test data: $(X_*, Y_*), Y \approx f(X) + e$​

• 우리가 알고자하는 특정위치의 $Y_*$값은 우리가 알고있는 $X, Y, X_*$들과(positive건, negative건) 연관이 있지 않을까? → $X, Y, X_*$값으로부터 $Y_*$를 추정, 연관에 대한 표현은 Kernel함수 $K$로!

• f(x)를 “Possible output of the function f at input x”인 “Random variable”로 보고, 각 r.v.들이 Multivariate Gaussian distribution 관계에 있다고 가정

  = 함수들의 분포를 정의하고, 이 분포가 Multivariate Gaussian distribution을 따른다 가정

  = 함수 f가 Gaussian process를 따른다

• 알고자 하는 값(test) $f_* \approx Y_*$​와 아는 값(train) $f \approx Y$​의 관계를 정의

• + Gaussian Identities(Gaussian의 marqinal, conditional도 Gaussian)

https://distill.pub/2019/visual-exploration-gaussian-processes/

Surrogate Model(Function): $f(\lambda)$의 regression model

• Objective $f(\lambda)$값을 예측하는 모델

  지금까지 관측된 $f(\lambda)$가 있을 때, 새로운 $\lambda^*$에 대한 objective $f(\lambda^*)$는 얼마일까?

• Objective를 estimate하는 surrogate model을 학습, 다음 좋은 $\lambda$를 선택하는 기중으로 사용

• 대표적은 Surrogate model로는 Gaussian Process Regression(GPR) Model(Mean: 예측 f값, Var: uncertainty)

Acquisition Function: 다음은 어디를 trial 하면 좋을까?

• Surrogate model의 output으로부터, 다음시도를 해보면 좋을 $\lambda$를 계산하는 함수

• Exploration(불확실한 지점) vs Exploitation(알고있는 가장 좋은 곳)의 trade off

• Acqusition function의 max 지점을 다음 iteration에서 trial

• EX) Upper Confidence Bound (UCB)

With Tree-structured Parzen Estimator(TPE)[6]

• GP의 약점:

  • High-dim($O(N^3)$)

  • Conditional, cont/disc 파라미터들의 혼재시 적용이 어려움

• TPE: GPR($p(f\mid\lambda)$)과 다르게 $p(\lambda \mid f)$와 $p(\lambda)$를 계산

• TPE를 통한 다음 step의 $\lambda$ 계산 방법

  • 현재까지의 observation들을 특정 quantile(inverse CDF)로 구분

    ex) 전체중 75% bad, 25% good, 위의 빨간, 파란

  • KDE(Kernel density estimation)으로 good observations 분포(p(g)), bad observation의 분포 (p(b))를 각각 추정

    greater의 분포, lower의 분포

  • p(g)/p(b)은 EL(Expected Improvement, acquisiition function 중 하나)에 비례하므로([6]), 높은 값을 가지는 $\lambda$를 다음 step으로 설

EI 증명

• Likelihood를 Quantile로 구분되는 두 함수로 정의

• l(x)(좋았던 관측 분포), g(x)(안좋았던 관측 분포) 로 부터 l(x)/g(x)가 가장 높은 지점을 탐색한다?

• l(x)가 높은 쪽을 선호하되, g(x)가 낮은곳도 , 즉, 안좋은지 알 수 없는 것도 찾아 보자는 의미이다.

3. Further Studies

AutoML의 한계점과 현실적인 접근 방법에 대해 알아보기

학습에 소요되는 시간과 리소스가 너무 크다...

• DL에서의 AutoML은 scalability 이슈가 더욱 대두됨

• 주요 키워드

  • Hyperparameter Gradient Descent(탐색과 학습을 동시에)

  • Meta-learning(Auto "AutoML")

  • Multi-fidelity optimization

    • Data의 subset만을 활용

    • 적은 epoch

    • RL을 활용한 적은 trial

    • Image Downsampling 등등

• 충분히 절충하면서 사용이 가능하다!

  • 어느정도의 prior를 개입, 적은 search space를 잡고,

  • 적지만, 대표성을 띄는 좋은 subset 데이터를 정하고 (+ n-fold Cross validation 등)

  • 학습과정의 profile을 보고 early terminate 하는 기법 적용

  • (ASHA Scheduler, BOHB (Bayesian Optimization & Hyperband))

이론적인 부분으로 확 와닿지는 않지만 다음 강의를 듣고, 다시한번 들어봐야할 필요성을 느꼈다..