Autoregressive Models
Cornell CS 6785: Deep Generative Models. Lecture 3: Autoregressive Models
The Task of Generation Modeling
(강아지의) 이미지들 $x$에 대해 확률 분포 $p(x)$로부터 다음과 같은 목표를 달성할 수 있어야함.
- Generation: $p(x)$에서 추출한 sample $x_new$가 강아지 같아야 함.
- Representation Learning: 이미지들이 갖고 있는 공통적인 특징에 대해 배울 수 있어야함.
- Density Estimation: $x$가 강아지 같을수록 $p(x)$가 높은 값을 가져야하며 아니라면 낮은 값을 가져야함.
- 첫번째 스텝: 모델링 스테이지 - define model family - How to represent $p(x)$
- 두번째 스텝: How to learn it
Basic Autoregressive Models
이 강의에서 주요 주제는 modeling handwrite digits임(mnist)
- each image: 28 * 28 = 784 pixels
- each pixel: 0 or 1
- GOAL: Learn probabilty distribution $p(x)=p(x_1,…,x_{784})$ over $x \in {0,1}^{784}$ such that when $x \sim p(x)$, x looks like a digit
Recall: Neural Models for Classification
input features $X\in{0,1}^n$ 에 대해서 binary classification($Y\in{0,1}$)을 하는 상황을 고려해보자.
- 이산 모델을 파라미터화한 모델을 다음과 같다고 가정함. $ p(Y=1|\text{x};\alpha) = f(\text{x}; \alpha)$
- 로지스틱 회귀가 $ f(\text{x};\alpha)$의 한 예가 될 수 있음.
$ z(\alpha, \text{x}) = \alpha_0 + \sum_{i=1}^{n} \alpha_i \text{x}_i $ 라고 하면
$ \sigma(z) =1/(1+e^{-z}) $ 일때, $ p_{logit}(Y=1|\text{x};\alpha) = \sigma(z(\alpha, \text{x}))$ 이 됨.
- MLP에서는 $\text{h}(A,\text{b},\text{x})$를 input feature들의 non-linear transformation으로 보고 다음과 같이 적용할 수 있음. $p_{MLP}(Y=1|\text{x};\alpha, A, \text{b}) = \sigma(\alpha_0 + \sum_{i=1}^{h} \alpha_i h_i)$
- flexibility가 증가함
- 파라미터가 증가함
An Autoregressive Model From Logistic Regression
logistic regression으로 부터 AR model을 construct해보려고함. 가장 간단한 공식부터 시작함. 체인룰에 의해서, $$ p(x_1, …, x_{784}) = p(x_1)p(x_2|x_1)p(x_3|x_1,x_2)…p(x_n|x_1,…,x_{n-1}) $$ 위에서 얻어진 공식을 logistic regression 모델을 통해서 단순화 시킬수 있음. $$ p(x_1, …, x_{784}) = p_{CPT}(x_1; \alpha^1)p_{logit}(x_2|x_1; \alpha^2)p_{logit}(x_3|x_1,x_2; \alpha^3)…p_{logit}(x_n|x_1,…,x_{n-1};\alpha^n) $$ 각각의 $p_n$을 입력값 $x_1$부터 $x_{n-1}$까지 활용하는 logstic regression을 적용함(modeling assumption). 이를 좀더 직접적으로 표현하면 $$ p_{CPT}(X_1 = 1; \alpha^1) = \alpha ^ 1, p(X_1 = 0) = 1 - \alpha^1 $$ $$ p_{logit}(X_2 = 1 | x_1 ; \alpha^2) = \sigma(\alpha_0^2 + \alpha_1^2 x_1)$$ $$ p_{logit}(X_3 = 1 | x_1, x_2 ; \alpha^3) = \sigma(\alpha_0^3 + \alpha_1^3 x_1 + \alpha_2^3 x_2)$$ 와 같이 볼수 있음. 각각의 $p_n$이 n개의 parameter를 갖게 되고 이는 총 $ O(n^2)$에 해당하므로 기존의 exponential을 고려했을때 매우 줄었음을 알 수 있음.
우리의 모델에서 $p_{logit} (x_i|x_1,…,x_{i-1}; \alpha^i)$ 각 항은 conditional Bernoulli임. 이를 나타내기 위해 $\hat{x}$를 사용하면, $$ \hat{x_i} = p(X_i=1 | x_1,…, x_{i-1}; \alpha^i) = p(X_i=1|x_{<i}; \alpha^i) $$ $$ = \sigma(\alpha_0^i + \sum_{j=1}^{i-1} \alpha_j^i x_j) $$
우리가 $ \hat{x}_i$를 생각하는 방법은
- pixel i의 확률
- pixel이 1~i-1까지 주어졌을때, 다음 pixel 예측
- partial input이 주어졌을때, $x_i$의 reconstruction.
Fully Visible Sigmoid Belief Network (FVSBN)
우리가 지금까지 한것을 FVSBN이라고 부름.
density 구하기 (= $p(x_1,…,x_{784})$)
- 모든 condition factor를 곱함.
- $p(X_1=0, X_2=1, X_3=1, X_4=0) = (1-\hat{x_1}) \hat{x_2} \hat{x_3} (1-\hat{x_4})$ 각각의 hat은 위의 공식을 통해 구할 수 있음.
sample 추출하기
- $ \bar{x_1} \sim p(x_1)$ 샘플링 (np.random.choice([1,0], p=[$\hat{x_1}$, 1-$\hat{x_1}$]))
- $ \bar{x_2} \sim p(x_2 | x_1=\bar{x_1})$ 샘플링
- $ \bar{x_3} \sim p(x_3 | x_1=\bar{x_1}, x_2=\bar{x_2})$ 샘플링
- parameter 수 = 1 + 2 + 3 + … + n <= n^2 / 2
From Logistic Regression to MLP
weight sharing
Masked Autoencoder for Distribution Estimation (MADE)
오토인코더를 활용하여 i보다큰 input weight를 masking함으로써 ar 모델을 만들수 있다.
Recurrent Neural Network as Autorgressive Models
Modern Autoregressive Models
WaveNet, PixelCNN