[논문 리뷰] AR-DAE: Towards Unbiased Neural Entropy Gradient Estimation

Jae Hyun Lim, Aaron Courville외 2명|arXiv (Cornell University)|2020. 06. 09.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 비정상적인 분포에서 허용되지 않는 엔트로피 기울기 추정을 위한 로그 밀도 기울기 추정을 학습하는 조건부 노이즈 제거 오토인코더인 AR-DAE를 제안한다. 학습 중 다양한 노이즈 수준 σ에 조건을 줌으로써, σ=0에서 추론함으로써 점차적으로 편향이 없는 기울기 추정을 달성하며, 이는 변분 오토인코더와 연속 제어를 위한 소프트 액터-크리틱에서 최고 성능을 내는 데 기여한다.

ABSTRACT

Entropy is ubiquitous in machine learning, but it is in general intractable to compute the entropy of the distribution of an arbitrary continuous random variable. In this paper, we propose the amortized residual denoising autoencoder (AR-DAE) to approximate the gradient of the log density function, which can be used to estimate the gradient of entropy. Amortization allows us to significantly reduce the error of the gradient approximator by approaching asymptotic optimality of a regular DAE, in which case the estimation is in theory unbiased. We conduct theoretical and experimental analyses on the approximation error of the proposed method, as well as extensive studies on heuristics to ensure its robustness. Finally, using the proposed gradient approximator to estimate the gradient of entropy, we demonstrate state-of-the-art performance on density estimation with variational autoencoders and continuous control with soft actor-critic.

연구 동기 및 목표

• 비정상적인 데이터 분포를 가진 암시적 생성 모델에서 엔트로피에 대한 편향 없는 기울기 추정 문제를 해결하기 위해.
• 작은 노이즈 수준(점차적 편향 감소에 필요함)과 노이즈 제거 오토인코더에서 사라지는 학습 신호 사이의 상충 관계를 해결하기 위해.
• 학습 시 노이즈 수준의 분포를 사용하면서도 추론 시 σ=0으로 일반화할 수 있는 방법을 개발하기 위해.
• VAE와 SAC와 같은 복잡하고 구조화된 모델에서 엔트로피 최대화/최소화를 위한 확률적 역전파를 가능하게 하기 위해.
• 정확하고 낮은 편향을 가진 엔트로피 기울기 추정치를 제공함으로써 밀도 추정 및 연속 제어 성능을 향상시키기 위해.

제안 방법

• 학습 시 노이즈 수준 σ에 조건을 주고, 추론 시 σ=0에서 로그 밀도 기울기를 예측하는 보상 잔여 노이즈 제거 오토인코더(AR-DAE)를 제안한다.
• 학습 안정성과 일반화를 향상시키기 위해 노이즈 제거 함수를 잔여 연결로 모델링하는 잔여 구조를 사용한다.
• σ를 입력으로 사용하는 조건부 DAE를 적용하여, σ=0로의 일반화를 가능하게 하는 연속 함수를 학습할 수 있도록 한다.
• 추정된 로그 밀도 기울기를 경로 도함수를 통해 엔트로피 기울기 계산에 활용함으로써 엔트로피 목표를 통한 역전파를 가능하게 한다.
• 최적화 과정에서 기울기 소실을 방지하면서도 σ→0일 때 진짜 로그 밀도 기울기로 수렴하도록 노이즈 수준의 분포를 기반으로 AR-DAE를 학습한다.
• 다양한 σ 값을 사용하는 다중 척도 학습 전략을 적용하여 σ=0로의 일반화 및 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 노이즈 제거 오토인코더를 σ=0으로 일반화하면서 최적화 과정에서 기울기 소실을 방지할 수 있는가?
• RQ2 σ에 대한 보상 조건부 처리가 기존 DAE보다 엔트로피 기울기 추정에서 더 나은 일반화와 낮은 근사 오차를 가능하게 하는가?
• RQ3 AR-DAE는 비정상적이고 암시적인 밀도 모델에서 엔트로피에 대한 편향 없는 기울기 추정치를 제공할 수 있는가?
• RQ4 AR-DAE는 변분 오토인코더를 사용한 밀도 추정과 소프트 액터-크리틱을 사용한 연속 제어에서 성능을 어떻게 향상시키는가?
• RQ5 어떤 초모수 설정과 아키텍처 설계가 강건하고 정확한 엔트로피 기울기 추정치를 이끌어내는가?

주요 결과

• 여러 데이터셋에서 기준 DAE 및 기타 기준 모델 대비 AR-DAE는 로그 밀도 기울기 추정에서 유의미하게 낮은 근사 오차를 달성한다.
• 변분 오토인코더를 사용한 동적 및 정적 이진화된 MNIST에서 AR-DAE는 밀도 추정 분야에서 최고 성능을 기록한다.
• 연속 제어 과제에서 AR-DAE는 소프트 액터-크리틱에서 샘플 효율성과 최종 성능을 향상시키며, HalfCheetah와 Ant와 같은 환경에서 특히 두각을 나타낸다.
• 절단 실험을 통해 σ 값의 분포를 기반으로 학습함으로써 σ=0로의 일반화가 향상되고, 최종 기울기 추정치의 편향이 감소함을 확인하였다.
• 잔여 연결과 적절한 정규화(예: 소프플러스 활성화 함수)의 사용은 학습 안정성과 수렴을 향상시킨다.
• 폴리악 평균화와 신중한 학습률 스케줄링은 엔트로피 기울기 추정기의 강건성과 성능을 더욱 향상시킨다.