深度变分信息瓶颈——Deep Variational Information Bottleneck

　　Deep Variational Information Bottleneck (VIB) 变分信息瓶颈 论文阅读笔记。本文利用变分推断将信息瓶颈框架适应到深度学习模型中，可视为一种正则化方法。

变分信息瓶颈

　　假设数据输入输出对为$(X,Y)$，假设判别模型$f_\theta(\cdot)$有关于$X$的中间表示$Z$，本文旨在优化$\theta$以最小化互信息$I(Z;X)$ ，同时最大化互信息$I(Z;Y)$，即：

$\max\limits_{\theta}I(Z;Y|\theta)-\beta I(Z;X|\theta)$

　　其中$\beta>0$为平衡系数。直觉理解，上式期望$Z$能保留更少$X$信息的同时能较好用于预测$Y$。那么如何构造相应的深度学习模型以及相应的优化方案？下面推导上式的下界，使其下界变大，上式即可变大。为了简化，下面去掉$\theta$进行推导。

下界1

　　首先，$I(Z;Y)$展开为：

$\displaystyle I(Z; Y) = \int \int p(y, z) \log \frac{p(y|z)}{p(y)} \, dy \, dz$

　　其中$p(y)$是数据的标签分布，已知。未知而需要进行处理的是其中的$p(y,z)$和$p(y|z)$，也就是模型需要拟合的分布。对于$p(y|z)$，可以用一个解码器$q(y|z)$来拟合，即文中所谓的变分估计。利用KL散度的大于零性质，有以下不等式：

\begin{align*} &\text{KL}(p(Y|Z),q(Y|Z))\geq 0\\ \implies &\int \, p(y|z) \log \frac{p(y|z)}{q(y|z)} dy\geq 0\\ \implies &\int \, \frac{p(y,z)}{p(z)} \log \frac{p(y|z)}{q(y|z)} dy\geq 0\\ \implies &\int \, p(y,z) \log p(y|z) dy\geq \int \, p(y,z) \log q(y|z)dy\\ \end{align*}

　　则有

\begin{align*} \displaystyle I(Z; Y) &= \int \int p(y, z) \log p(y|z) - p(y, z) \log p(y) \, dy \, dz\\ &\geq \int \int p(y, z) \log q(y|z) - p(y, z) \log p(y) \, dy \, dz\\ &= \int \int \, p(y, z) \log q(y|z) dy \, dz - \int \, p(y) \log p(y) dy \\ &= \int \int \, p(y, z) \log q(y|z)dy \, dz + H(Y) \end{align*}

　　对于其中的$p(y,z)$，本文基于马尔科夫假设：$Y\leftrightarrow X\leftrightarrow Z$。这个假设表明，$Y$和$Z$在$X$的条件下独立（那在优化时呢？$Z$是关于$X$和$Y$的联合分布进行更新的）。有：

$\displaystyle p(y,z)=\int p(x,y,z)dx=\int p(x,y)p(z|x,y)dx= \int p(x,y)p(z|x)dx$

　　此外，由于$H(Y)$已知且固定，可忽略。则有

$\displaystyle I(Z; Y) \geq \int \int \int  \, p(x,y)p(z|x) \log q(y|z)dx \, dy \, dz$

　　其中，$p(x,y)$是真实数据分布，$p(z|x)$是原始模型关于$x$对中间表示$z$的推理分布。

上界2

　　$I(Z;X)$展开为：

$\displaystyle I(Z;X)=\int \int p(x,z)\log \frac{p(z|x)}{p(z)}dx\,dz$

　　对于其中的$p(z)$，作者用另一个变分估计$r(z)$来拟合。由于有

\begin{align*} &\text{KL}(p(Z),r(Z))\geq 0\\ \implies&\int p(z)\log p(z)dz\geq\int p(z)\log r(z)dz\\ \implies&\int\int p(x,z)\log p(z)dx\,dz\geq\int \int p(x,z)\log r(z)dx\,dz \end{align*}

　　则有

\begin{align*} I(Z;X)\leq \int\int p(x)p(z|x)\log \frac{p(z|x)}{r(z)}dx\,dz \end{align*}

总体下界和优化

　　结合下界1和上界2，有：

\begin{align*} &I(Z; Y) - \beta I(Z; X) \\ \geq&\int \int \int \, p(x,y)p(z|x) \log q(y|z)dx \, dy \, dz - \beta \int\int p(x)p(z|x)\log \frac{p(z|x)}{r(z)}dx\,dz = L \end{align*}

　　针对上式，用经验分布来代替真实分布。即用$\frac{1}{N}\sum_{n=1}^N\delta_{x_n}(x)$代替$p(x)$，用$\frac{1}{N}\sum_{n=1}^N\delta_{y_n}(y)$代替$p(y)$，用$\frac{1}{N}\sum_{n=1}^N\delta_{(x_n,y_n)}(x,y)$代替$p(x,y)$。其中$\delta_{x_n}(x)$表示狄拉克函数，其空间内积分为1，且仅在$x_n$上非零。假设经验分布有$N$各样本$\{(x_n,y_n)\}_{n=1}^N$。实际上直接把概率积分改成离散样本的求和取平均即可。则上式可被估计为：

$\displaystyle L\approx \frac{1}{N}\sum\limits_{n=1}^N\int p(z|x_n)\log q(y_n|z)-\beta\, p(z|x_n)\log\frac{p(z|x_n)}{r(z)}\, dz$

　　文中将$z$视为隐变量，利用VAE的重参数技巧将$p(z|x_n)$实现为一个关于$x_n$的正态分布$\mathcal{N}(f_e^\mu(x_n),f_e^{\Sigma}(x_n))$，其中$f_e^\mu(x_n),f_e^\Sigma(x_n)$分别为基于$x_n$生成的均值和协方差矩阵。将$z$抽样表示为$f(x_n,\epsilon)= f_e^{\Sigma}(x_n))\epsilon + f_e^\mu(x_n) $，其中$\epsilon\sim \mathcal{N}(0,1)$。则最大化$L$可表示为最小化：

$\displaystyle J_{IB} = \frac{1}{N}\sum\limits_{n=1}^N \mathbb{E}_{\epsilon\sim \mathcal{N}(0,1)}\left[-\log q(y_n|f(x_n,\epsilon))\right] + \beta\,\text{KL}\left[p(Z|x_n);r(z)\right]$

　　其中$r(z)$利用某一特定分布实现，文中使用标准正态分布实现。

直觉理解

　　直觉上理解：模型要把每个$x_n$分别映射到特定的分布，这些分布既不能偏离标准正态分布太远，又需要让模型后续能根据这些分布的抽样来预测$x_n$的标签。那么这种做法为什么能从$x_n$中抽取对预测$y_n$有效的关键信息而忽略无关信息呢（即信息瓶颈）？我的理解是，模型被惩罚以使不同$x_n$得到的$z_n$分布靠近同一分布，但为了有效预测$y_n$，又必须产生一定的不一致。不同$x_n$对应的$z$分布越一致，通过$z$而流向$y$的差异性信息将越少，导致$q$更难利用采样的$z$预测$y$，从而促使模型忽略$x$中的冗余信息而保留预测$y$所需的关键信息。$\beta$则用于控制$z$保留$x$信息的程度，越大保留信息越少。

　　相较于一般的判别模型：当不把$z $视为隐变量，而变成关于$x$唯一确定的中间表示时，就是一般的判别模型。这种方式隐式地假定了表示的连续性，然而无法确保所有$z$都不是被离散地分散在表示空间中。最坏的过拟合情况下，每个$(x_n,y_n)$都孤立地确定了一个中间表示$z_n$来实现一一映射，导致无泛化。而对于使用了信息瓶颈$z$的判别模型，由于$x$仅仅确定$z$的生成分布，不同的$x_i,x_j$依然可能抽样出同一个$z$，这种模式强制这个抽样出的$z $必须共享这两个样本的相似信息并忽略不同的信息，从而表示语义的相似性被强制由线性距离控制，实现表示语义的连续性，从而显式地确定了模型的泛化。

实验

　　表1：信息瓶颈加成的模型和各种正则化后模型的对比。

　　图1：不同$\beta$、$z$维度$K$下VIB模型在MNIST上的错误率，以及两个互信息的平衡。

　　图2：$z$维度$K=2$时，1000张图片的$z$分布的可视化。

　　后续是一些对抗鲁棒的实验，不记录