[최적화] AutoML , Surrogate Model , Acquisition Function

 

 

AutoML Motivation

 

Conventional Deep Learning Training Pipeline → AutoML

 

일반적으로 Data Engineering이라 함은, Data cleansing 및 Preprocessing과 Feature Engineering을 하고 적절한 ML알고리즘을 선택한 후 Hyperparameter를 튜닝한다. 

 

좋은 configuration이 나올 때까지 모델을 선정하고 Hyperparameter를 설정하여 Train과 Evaluate을 하는 작업을 반복한다.

 

 

 

이 과정을 사람이 계속 반복하는데, AutoML로 이 반복 구조에서 사람의 노고를 뺀 진정한 End-to-end learning을 실현하고자 한다.

 

 

---

 

 

AutoML 기본 개념

 

AutoML(Hyperparameter Optimization, HPO)의 정의

 

---

 

Deep learning model configuration

• Categorical
  • optimizer : Adam, SDG, AdamW, · · ·
  • model : Vanilla Conv, Bottleneck, InvertedResidual, · · ·
• integer : batch_size, epochs, · · ·
• Conditional (특정 configuration에 따라 search space가 달라짐)
  • optimizer sample에 따라서 optimizer parameter의 종류, search space가 달라짐
    • optimizer에 따른 learning rage range차이, SDG의 경우 momentum, Adam의 경우 alpha, beta1, beta2 등)
  • Module의 sample에 따라 module parameter의 종류, search space가 달라짐

 

---

 

AutoML Pipeline

• 일반적인 AutoML Pipeline
  • Backbone, Hyperparameter등의 configuration $\lambda$를 정하고 학습한 후 속도, 크기, 성능 등 요구사항에 따른 목적함수 f에 대해 함수값 $f(\lambda)$ 를 구한다. Blackbox안에서 함수값$f(\lambda)$ 를 최대화하는 $\lambda$를 찾으며 이 과정을 반복한다.

일반적인 AutoML Pipeline

 

 

• AutoML Bayesian Optimization(BO) Pipeline
  • BO에서는 위의 일반적인 AutoML Pipeline에서의 Blackbox optimization이 두 단계에 거쳐 수행된다.
    • Surrogate Function : $f(\lambda)$ 의 regression model이다.
      • 즉, $f\left(\lambda^{*}\right)$를 예측함으로써 Acquisition에서 $\lambda^{*}$를 찾을 기준을 마련한다.
    • Acquisition Function : 다음 어떤 $\lambda$를 시도해보면 좋을지 예측하는 모델이다.

AutoML  Bayesian Optimization(BO) Pipeline

 

    Surrogate Function은 실선과 보라색 영역을 나타내며, Acquistion Function은 초록색 영역을 나타낸다.

 

---

 

Surrogate Model 및 Acquisition Function 상세

 

Surrogate Model

• $f(\lambda)$ 의 Regression model로 $f(\lambda)$ 값을 예측
  • 지금까지 관측된 $f(\lambda)$ 들이 있을 때, 새로운 $\lambda^{*}$ 에 대한 objective $f\left(\lambda^{*}\right)$ 는 얼마일까?
• objective를 estimate하는 Surrogate model을 학습하여 이후 좋은 $\lambda$를 선택하는 기준을 마련
• Gaussian Process Regression(GPR) Model이 대표적인 Surrogate model이다.
  • Mean : 예측 f값
  • Var : uncertainty

 

---

 

Acquisition Function

• 다음은 어떤 값으로 시도해보면 좋을까?
• Surrogate model의 output으로부터 다음 시도할 $\lambda$ 를 계산하는 함수
• Exploration : 불확실한 지점 탐험 (분산↑)
• Exploitation : 알고있는 가장 좋은 지점 공략 (평균↑)
• Exploration vs Exploitation trade off : 두 가지를 balancing하여 Acquisition function구성
• Acquisition function의 max지점을 다음 iteration에서 시도
• Upper Confidence Bound(UCB)가 대표적인 Acquisition function이다.
  • $\alpha_{t}=\mu_{t-1}+\kappa \sigma_{t-1}$
    • $\mu_{t-1}$ : posterior mean(Exploitation)
    • $\sigma_{t-1}$ : posterior variance(Exploration)
    • K : parameter(balance)

 

평균이 높으면서도 분산이 큰 부분이 max로 잡힘

 

---

 

Surrogate Model 종류

 

Gaussian Process Regression(GPR)

• 일반적인 Regression task
  • data에 가장 적합한 function 찾기
  • train dataset : (X, Y)
  • test dataset : (X*, Y*)
  • $Y \approx f(X)+e$
• Gaussian Process Regression
  • motivation : 알고자 하는 Y*는 알고 있는 X, Y, X*와 positive든 negative든 관련있지 않을까?
  • X, Y, X*로 부터 Y*를 추정
  • 연관에 대한 표현은 Kernal함수 K
  • f(x)는 x가 주어졌을 때 가능한 함수인 random variable이며, 각 random variable은 Multivariate Gaussian Distribution따르는 것을 가정
  • f(x)는 Gaussian process를 따름

 

알고자하는 값(test) $f_{*} \approx Y_{*}$ 과 알고 있는 값(train) $f \approx Y$ 의 관계는 아래와 같이 정의한다.

 

$$\left[\begin{array}{l} \mathbf{f} \\ \mathbf{f}_{*} \end{array}\right] \sim \mathcal{N}\left(\mathbf{0},\left[\begin{array}{ll} K(X, X) & K\left(X, X_{*}\right) \\ K\left(X_{*}, X\right) & K\left(X_{*}, X_{*}\right) \end{array}\right]\right)$$

 

 

Gaussian distribution은 Marginal과 Contional distribution도 Gaussian이라는 가정을 두고 있다.

 

Marginal과 Contional distribution도 Gaussian distribution

 

이 가정에 의해 X*, X, f를 알고 있으면 f*도 알 수 있으며, 그 분포는 아래와 같다.

 

$$\begin{aligned} &\mathbf{f}_{*} \mid X_{*}, X, \mathbf{f} \sim \mathcal{N}\left(K\left(X_{*}, X\right) K(X, X)^{-1} \mathbf{f},\right. \\ &\left.\qquad K\left(X_{*}, X_{*}\right)-K\left(X_{*}, X\right) K(X, X)^{-1} K\left(X, X_{*}\right)\right) \end{aligned}$$

 

 

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

A Visual Exploration of Gaussian Processes

 

---

 

Tree-structured Parzen Estimatior(TPE)

 

 

 

[reference]