论文笔记(10)-"Closing the Gap: Tighter Analysis of Alternating Stochastic Gradient Methods for Bilevel Problems"

Introduction

文章作者针对Bilevel optimization提出了一种对需要采样样本更少的single timescale算法，收敛速度为\(\mathcal{O}(\frac{1}{\sqrt{K}})\)。

Bilevel optimization问题的通常形式为

即对于一个嵌套的问题，上层级的问题求解需要子问题的最优解（通常的对偶问题都可以写成这样的形式，如\(y\)为对偶变量）。

上述问题的求解难点主要在于子问题\(y^*(x)\)的计算，一般很难得到解析解。

文章主要论题在于当我们用迭代的算法得到一个不精确的\(y\)时，如何更新\(x\)以及最终的收敛性、效率如何。

Main Idea

文章的两个主要想法为

1. \(x\)的更新方式

   \[\begin{align} \nabla F(x)=\nabla_x f(x, y^*(x)) - \nabla_{xy}g(x,y^*(x))[\nabla_{yy} g(x, y^*(x))]^{-1} \nabla_y f(x, y^*(x))\\ \label{eq:gradientx} \end{align} \]

   推导过程如下：

   \[\begin{align} \nabla F(x) &= \nabla_x f(x, y^*(x)) - \nabla_x y^*(x) \nabla_y f(x, y^*(x))\\ \end{align} \]

   对于\(\nabla_x y^*(x)\)，

   \[\begin{align} \nabla_y y^*(x)=0 \end{align} \]

   则

   \[\begin{align} \underbrace{\nabla_x(\nabla_y y^*(x))}_{\textit{take the gradient w.r.t. x}}&=0\\ \nabla_{xy}y^*(x) + \nabla_xy^*(x)\nabla_{yy}y^*(x)&=0\\ \nabla_{xy}g(x,y^*(x)) + \nabla_xy^*(x)\nabla_{yy} g(x, y^*(x))&=0\\ \end{align} \]

   第一个等式是对\(\nabla_y y^*(x)\)函数对\(x\)求梯度，要注意\(\nabla_x(\nabla_y y^*(x))\)和\(\nabla_{xy}y^*(x)\)的区别。最后得到

   \[\begin{align} \nabla_xy^*(x)=-\nabla_{xy}g(x,y^*(x))[\nabla_{yy} g(x, y^*(x))]^{-1} \label{eq:1} \end{align} \]

2. \(y^*(x)\)是关于\(x\)的光滑函数，即

\[\Vert y^*(x_1)-y^*(x_2)\Vert \leq L_y\Vert x_1 -x_2\Vert \]

Algorithm

the update of \(y\)

通常\(y^*\)是没有解析解的，文中通过\(T\)次梯度下降得到在\(k\)时刻\(T\)次梯度下降后的结果\(y^{k,T}\)来替代\(y^*(x^{k})\)

the update of \(x\)

将更新后的\(y\)代替\(y^*(x)\)带入\(\ref{eq:gradientx}\)，得到

\[\bar{\nabla}_x f(x,y):=\nabla_x f(x, y) -\nabla_{xy}g(x,y)[\nabla_{yy} g(x, y)]^{-1} \nabla_y f(x, y) \]

其中对于Hessen矩阵的逆，使用近似

\[[\nabla_{yy}g(x,y)]^{-1}\approx [\frac{N}{\ell_{g,1}}\prod_{n=1}^{N'}(I-\frac{1}{\ell_{g,1}}\nabla_{yy}g(x, y;\phi_{(n)}))] \]

其中\(\phi_{(n)}\)是第\(n\)个样本点，\(N'\)是全部\(N\)个样本中的一部分样本，\(\ell_{g,1}\)为\(\nabla g(x,y)\)的Lipschitz continuity值。

这样整个算法流程为

其中

\[\begin{align} h_g^{k,t}&=\nabla_y g(x^{k}, y^{k,t};\phi^{k,t})\\ h_f^{k}&=\nabla_x f(x, y^{k+1};\xi^k)-\nabla_{xy}g(x, y^{k+1};\phi_{(0)})[\frac{N}{\ell_{g,1}}\prod_{n=1}^{N'}(I-\frac{1}{\ell_{g,1}}\nabla_{yy}g(x, y;\phi_{(n)}))]\nabla_y f(x,y^{k+1};\xi) \end{align} \]

Convergence

Assumption

收敛性要求的条件有

1. \(f,\, \nabla f,\, \nabla g,\, \nabla^2g\) 分别是\(\ell_{f,0},\, \ell_{f,1},\, \ell_{g,1},\, \ell_{g,2}\)Lipschitz continuity
2. 对于任意固定的\(x\)，\(g(x,y)\)对于\(y\)是\(\mu_g-\)strongly convex
3. 随机梯度\(\nabla f(x,y;\xi)\)，\(\nabla g(x,y;\phi)\)和二阶导数\(\nabla^2 g(x,y;\phi)\)均是无偏的，且方差有界，分别为\(\sigma_{f}^2,\, \sigma_{g,1}^2,\,\sigma_{g,2}^2\)

Proof

Sketch

令Lyapunov function \(\mathbb{V}^{k}:=F(x^{k})+\frac{L_f}{L_y}\Vert y^{k} - y^*(x^k)\Vert\)，则

\[\mathbb{V}^{k+1}-\mathbb{V}^{k}=\underbrace{F(x^{k+1})-F(x^{k})}_{\text{upper objective}}+\underbrace{\frac{L_f}{L_y}(\Vert y^{k+1}-y^*(x^{k+1})\Vert-\Vert y(x^k)-y^*(x^k) \Vert)}_{\text{convergence of $y$}} \]

上述的Lyapunov function可以写成两部分，需要证明两者都是下降的。

the convergence of the upper function

先证明\(F(x^{k+1})-F(x^k)\)是递减，利用\(x^{k+1}=x^{k}-\alpha_k h_f^k\)得到

其中\(\bar h_f^k\)是\(h_f^k\)的期望，利用\(\Vert F(x^k)-\bar h_f^k\Vert = \Vert F(x^k)-h_f^k+h_f^k-\bar h_f^k\Vert\)得到

可以看出\(F(x^{k+1})-F(x^k)\)是依赖于\(\Vert y^{k+1}-y^*(x^k)\Vert\)的收敛情况的。

the convergence of the lower function

需要注意Lyapunov function中关于\(y\)的是\(\Vert y^k-y^*(x^k)\Vert\)，而\(y^{k}\)在算法中是通过\(x^{k-1}\)取得的，所以要通过\(x\)来解耦

\[\Vert y^{k+1} - y^*(x^{k+1})\Vert^2 = \underbrace{\Vert y^{k+1} - y^*(x^{k})\Vert^2}_{J_1} +\underbrace{\Vert y^*(x^{k+1})-y^*(x^{k})\Vert^2}_{J_2}+2\underbrace{\langle y^{k+1}-y^*(x^k),y^*(x^k)-y^*(x^{k+1}) \rangle}_{J_3} \]

这样将原式分为3部分，其中第一部分\(J_1\)是关于\(y^{k+1}\)在给定\(x^{k}\)后是否收敛到\(y^*(x^k)\)，\(J_2\)则用到了\(y\)函数的光滑性。

关于\(J_1\)这部分是很标准的证明过程

关于\(J_2\)部分，这里直接使用光滑性质

对于\(J_3\)再次利用\(y^*(x)\)的光滑性，用\(y^*(x^k)-y^*(x^{k+1})-\nabla y^*(x^k)^T(x^{k+1-x^k})+\nabla y^*(x^k)^T(x^{k+1-x^k})\)来解耦，得到

对于\(J_3^1\)得到

其中最后一个不等式用到了Yong's equality \(ab\leq 2\gamma_ka^2+\frac{b^2}{8\gamma_k}\)

对于\(J_3^2\)直接使用光滑性质得到

其中\((h)\)不等式用到了\(1\leq\frac{\eta}{2}+\frac{1}{2\eta}\)。最终整合起来得到

Cases

Min-Max Problems

Min-Max常见于博弈论、优化等领域中，之前的Decomposition，对偶与Proximal都可以归结为这类问题。对于一般的Min-Max问题，其\(g(x,y)=-f(x,y)\)，因此\(\ref{eq:gradientx}\)中\(\nabla_y f(x,y^*(x))=0\)，故更新方式变为

\[\begin{align} h_g^{k,t}&=-\nabla_y f(x^{k}, y^{k,t};\phi^{k,t})\\ h_f^{k}&=\nabla_x f(x^k, y^{k+1};\xi^k) \end{align} \]

Compositional Problems

在Compositional Problems中通常会加入一个norm的正则项，如加入\(L_1\)-norm的Lasso等问题。对于一般的Compositional problems问题，其\(g(x,y)=\Vert y-h(x;\phi)\Vert^2\)，\(f(x,y):=f(y)\)，这样得到新的更新公式为

\[\begin{align} h_g^{k,t}&=y^k-h(x^{k};\phi^k)\\ h_f^{k}&=\nabla h(x^k;\phi^k)\nabla f(y^{k+1};\xi^k) \end{align} \]

Summary

1. 对于\(x\)更新公式中的\(\nabla_{xy}g(x,y^*(x))[\nabla_{yy} g(x, y^*(x))]^{-1}\)，我是将其用Newton Methods的方法去理解。
2. 定义的Lyapunov function为upper objective加上一个\(R_y=\Vert y^k-y^*(x^k)\Vert\)，需要注意的是norm中的\(y^*(x^k)\)实际上是\(k+1\)的。
3. 收敛性证明中\(F(x)\)的收敛性除了和\(x\)的迭代有关系，还和lower level中\(y\)的迭代有关系的，需要验证lower level迭代中\(y\)也是收敛的。
4. 这篇文章很有实践指导意义，例如为什么在Min-Max问题中使用Alternative methods即使不加那个\(\nabla_{xy}g(x,y^*(x))[\nabla_{yy} g(x, y^*(x))]^{-1}\)也能表现很好？
5. 以及\(y^*(x)\)确实包含\(x\)更新方向的信息。