跳转到内容

吉洪诺夫正则化

维基百科,自由的百科全书

吉洪诺夫正则化得名于安德烈·尼古拉耶维奇·吉洪诺夫,是在自变量高度相关的情景下估计多元回归模型系数的方法。[1]它已被用于许多领域,包括计量经济学、化学和工程学。[2]吉洪诺夫正则化为非适定性问题正则化中最常见的方法。在統計學中,本方法被稱為脊迴歸岭回归ridge regression);在機器學習領域則稱為權重衰減權值衰減weight decay)。因為有不同的數學家獨立發現此方法,此方法又稱做吉洪諾夫-米勒法Tikhonov–Miller method)、菲利浦斯-圖米法Phillips–Twomey method)、受限線性反演constrained linear inversion method),或線性正規化linear regularization)。此方法亦和用在非線性最小二乘法英语Non-linear_least_squares萊文貝格-馬夸特方法相關。它对于缓解线性回归中的多重共线性问题特别有用,这常见于有大量参数的模型中。[3]总的来说,这种方法提高了参数估计的效率,但也有可容忍的偏差(见偏差-方差权衡)。[4]

该理论于1970年由Hoerl与Kennard发表在《技术计量学》上的文章《岭回归:非正交问题的偏估计》及《岭回归:非正交问题中的应用》中首次提出。[5][6][1] This was the result of ten years of research into the field of ridge analysis.[7]

岭回归是通过创建岭回归估计量(RR)实现的。当线性回归模型具有多重共线(高度相关)的自变量时,岭回归对于最小二乘估计的不精确性是一种可能的解决方案。这提供了更精确的岭参数估计,因为它的方差和均方估计量通常小于先前推导的最小二乘估计量。[8][2]

当求解超定问题(即)时, 矩阵 的协方差矩阵 奇异或接近奇异时,利用最小二乘方法求出的结果 会出现发散或对 不合理的逼近。为了解决这一问题,吉洪诺夫于1963年提出了利用正则化项修改最小二乘的代价函数的方法,修改后的代价函数如下:

式中 称为正则化参数[9],这种方法被称为吉洪诺夫正则化。

概览

在最简单的情况下,向主对角线添加正元素可以缓解近奇异矩量矩阵问题,减少条件数。类似于最小二乘估计量,简单岭估计量可定义为

其中是回归子,设计矩阵单位矩阵,岭参数则是矩量矩阵对角线的恒定位移。[10]可以证明这个估计量是约束最小二乘问题的解,可表达为拉格朗日形式:

其说明,不过是约束的拉格朗日乘数[11]通常要根据启发式准则选择,以便不完全满足约束。特别是在约束,即非约束约束(non-binding constrain),岭估计量退化为普通最小二乘法。下面讨论一种更通用的吉洪诺夫正则化方法。


历史

吉洪诺夫正则化是在许多不同背景下独立发明的。 安德烈·吉洪诺夫[12][13][14][15][16]和David L. Phillips最早使用了这种方法。[17] 有限维情形由采用统计方法的Arthur E. Hoerl[18]和Manus Foster完成,后者将其解释为克里金法滤子。[19]自Hoerl之后,这种方法在统计学文献中被称为岭回归,[20]以沿单位矩阵对角线的形状命名。


吉洪诺夫正则化

假设对已知矩阵和向量,我们希望找到向量使[需要解释]

标准方法是普通最小二乘法线性回归。[需要解释]但若没有满足方程或超过一个满足(即解不唯一),则待研究问题为不适定问题,普通最小二乘估计会导致方程组过定欠定。大多数现实世界的现象在前向问题中都具有低通滤性质[需要解释],其中映射到。因此在解决逆问题时,逆映射作为高通滤波器,具有放大噪声的不良趋势(特征值/奇异值在逆映射中最大,在正映射中最小)。此外,普通最小二乘隐式地消除了位于的零空间的的重建版本的每个元素,而非允许将模型用作的先验。 普通最小二乘寻找最小化残差平方和,可以紧凑地写作

其中是欧几里得范数。

为优先选择具有所需性质的特定解,可在最小化中包含正则化项:

其中吉洪诺夫矩阵需要适当选取,许多时候选为单位矩阵的标量倍数(),并优先考虑范数较小的解;这叫做L2正则化[21]这之外,若认为基础向量几乎连续,则可使用高通运算(如递推关系式或加权离散傅里叶变换)以实现平滑。这种正则化改进了问题条件,从而实现了直接的数值求解。显式解表示为,是这样得到:

正则化的效果可能因矩阵的尺度而异。若择,如(ATA)−1存在,则简化为非正则化最小二乘解。

除线性回归外,L2正则化还有许多应用场景,如逻辑斯谛回归支持向量机分类[22]以及矩阵分解。[23]

广义吉洪诺夫正则化

对于和数据误差的多元正态分布,c可以应用变量的变换来简化上述情况。等价地,可以寻求最小化

其中表示加权范数平方(比较马哈拉诺比斯距离)。在贝叶斯解释中,的逆协方差矩阵期望的逆协方差矩阵。吉洪诺夫矩阵为矩阵的分解(如科列斯基分解),可视作白化变换器。

这个推广问题有最优解,可以使用公式显式地写为

或等效地,当Q非空:

拉夫连季耶夫正则化

有时可以避免使用,这由米哈伊尔·拉夫连季耶夫指出。[24]例如,若是对称正定矩阵,即,则其逆可以用来在广义吉洪诺夫正则化中构造加权范数平方,则有最小化

或等价地由常数项,

.

该最小化问题有最优解,可以紧凑地写作公式

,

是广义吉洪诺夫问题的解,其中

拉夫连季耶夫正则化对原吉洪诺夫正则化有利,因为拉夫连季耶夫矩阵条件数比吉洪诺夫矩阵小。

希尔伯特空间中的正则化

典型的离散线性非适定问题由积分方程的离散化引起,可以在原始的无穷维背景中实现吉洪诺夫正则化。上面,我们可以将解释为希尔伯特空间上的紧算子的域与范围上的元素。自伴随有界可逆运算。


与奇异值分解和维纳滤波器的关系

这个最小二乘解可用奇异值分解以特殊的方式分析。给定奇异值分解

,奇异值,则吉洪诺夫正则解可表为

其中的对角值为

其余地方都是0。这表明吉洪诺夫参数对正则化问题条件数的影响。对于广义情况,可以使用广义奇异值分解推导出类似的表示。[25]

最后,其与维纳滤波有关:

其中维纳权为

确定吉洪诺夫因子

最佳正则化参数一般未知,在实践中常常临时确定。一种可能的方法依赖于下面描述的贝叶斯解释。其他方法包括偏差原理、交叉验证、L曲线法、[26]约束最大似然法和无偏预测风险估计。Grace Wahba证明,这种最优参数用留一交叉验证最小[27][28]

其中残差平方和自由度

用前面的SVD分解,可以简化上述表达式:

与概率表述的关系

逆问题的概率公式引入了(当所有不确定量都为正态量时)表示模型参数先验不确定性的协方差矩阵,以及表示观测参数不确定性的协方差矩阵[29]当它们都是对角各向同性矩阵(),且,则逆理论方程简化为上述方程,且

贝叶斯解释

虽然选择这个正则化问题的解可能看起来是人为的,而且矩阵似乎相当武断,但从贝叶斯的角度来看,这个过程是合理的。[30]注意,不适定问题必须引入额外假设才能得到唯一解。在统计学中,先验分布有时被认为是多元正态分布。为简单起见,此处做出以下假设:均值为零;组分独立;组分标准差均为。数据也受误差影响,并且假设中的误差独立,均值为零,标准差为。在这些假设下,根据贝叶斯定理,吉洪诺夫正则化解是给定数据和的先验分布的最可能的解。[31]

正态性假设被同方差和无关误差假设代替,且若假设均值仍是零,则高斯-马尔可夫定理意味着解是最小 无偏线性估计量[32]

另见

注释

参考文献

  1. ^ 1.0 1.1 Hilt, Donald E.; Seegrist, Donald W. Ridge, a computer program for calculating ridge regression estimates. 1977 [2023-09-24]. doi:10.5962/bhl.title.68934. (原始内容存档于2023-02-10). [页码请求]
  2. ^ 2.0 2.1 Gruber, Marvin. Improving Efficiency by Shrinkage: The James--Stein and Ridge Regression Estimators. CRC Press. 1998: 2 [2023-09-24]. ISBN 978-0-8247-0156-7. (原始内容存档于2022-05-10). 
  3. ^ Kennedy, Peter. A Guide to Econometrics Fifth. Cambridge: The MIT Press. 2003: 205–206. ISBN 0-262-61183-X. 
  4. ^ Gruber, Marvin. Improving Efficiency by Shrinkage: The James–Stein and Ridge Regression Estimators. Boca Raton: CRC Press. 1998: 7–15. ISBN 0-8247-0156-9. 
  5. ^ Hoerl, Arthur E.; Kennard, Robert W. Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics. 1970, 12 (1): 55–67. JSTOR 1267351. doi:10.2307/1267351. 
  6. ^ Hoerl, Arthur E.; Kennard, Robert W. Ridge Regression: Applications to Nonorthogonal Problems. Technometrics. 1970, 12 (1): 69–82. JSTOR 1267352. doi:10.2307/1267352. 
  7. ^ Beck, James Vere; Arnold, Kenneth J. Parameter Estimation in Engineering and Science. James Beck. 1977: 287 [2023-09-24]. ISBN 978-0-471-06118-2. (原始内容存档于2022-04-26). 
  8. ^ Jolliffe, I. T. Principal Component Analysis. Springer Science & Business Media. 2006: 178 [2023-09-24]. ISBN 978-0-387-22440-4. (原始内容存档于2022-04-18). 
  9. ^ Tikhonov A.N. Solution of Incorrectly Formulated Problems and the Regularization Method. Soviet Mathematics Doklady. 1963, 4: 1035–1038. 
  10. ^ 关于实践中的选择,参Khalaf, Ghadban; Shukur, Ghazi. Choosing Ridge Parameter for Regression Problems. Communications in Statistics – Theory and Methods. 2005, 34 (5): 1177–1182. S2CID 122983724. doi:10.1081/STA-200056836. 
  11. ^ van Wieringen, Wessel. Lecture notes on ridge regression. 2021-05-31. arXiv:1509.09169可免费查阅 [stat.ME]. 
  12. ^ Tikhonov, Andrey Nikolayevich. Об устойчивости обратных задач [On the stability of inverse problems]. Doklady Akademii Nauk SSSR. 1943, 39 (5): 195–198. (原始内容存档于2005-02-27). 
  13. ^ Tikhonov, A. N. О решении некорректно поставленных задач и методе регуляризации. Doklady Akademii Nauk SSSR. 1963, 151: 501–504. . Translated in Solution of incorrectly formulated problems and the regularization method. Soviet Mathematics: 1035–1038. 
  14. ^ Tikhonov, A. N.; V. Y. Arsenin. Solution of Ill-posed Problems. Washington: Winston & Sons. 1977. ISBN 0-470-99124-0. 
  15. ^ Tikhonov, Andrey Nikolayevich; Goncharsky, A.; Stepanov, V. V.; Yagola, Anatolij Grigorevic. Numerical Methods for the Solution of Ill-Posed Problems. Netherlands: Springer Netherlands. 30 June 1995 [9 August 2018]. ISBN 079233583X. (原始内容存档于2021-06-20). 
  16. ^ Tikhonov, Andrey Nikolaevich; Leonov, Aleksandr S.; Yagola, Anatolij Grigorevic. Nonlinear ill-posed problems. London: Chapman & Hall. 1998 [9 August 2018]. ISBN 0412786605. (原始内容存档于2021-06-15). 
  17. ^ Phillips, D. L. A Technique for the Numerical Solution of Certain Integral Equations of the First Kind. Journal of the ACM. 1962, 9: 84–97. S2CID 35368397. doi:10.1145/321105.321114. 
  18. ^ Hoerl, Arthur E. Application of Ridge Analysis to Regression Problems. Chemical Engineering Progress. 1962, 58 (3): 54–59. 
  19. ^ Foster, M. An Application of the Wiener-Kolmogorov Smoothing Theory to Matrix Inversion. Journal of the Society for Industrial and Applied Mathematics. 1961, 9 (3): 387–392. doi:10.1137/0109031. 
  20. ^ Hoerl, A. E.; R. W. Kennard. Ridge regression: Biased estimation for nonorthogonal problems. Technometrics. 1970, 12 (1): 55–67. doi:10.1080/00401706.1970.10488634. 
  21. ^ Ng, Andrew Y. Feature selection, L1 vs. L2 regularization, and rotational invariance (PDF). Proc. ICML. 2004 [2023-09-24]. (原始内容存档 (PDF)于2023-03-15). 
  22. ^ R.-E. Fan; K.-W. Chang; C.-J. Hsieh; X.-R. Wang; C.-J. Lin. LIBLINEAR: A library for large linear classification. Journal of Machine Learning Research. 2008, 9: 1871–1874. 
  23. ^ Guan, Naiyang; Tao, Dacheng; Luo, Zhigang; Yuan, Bo. Online nonnegative matrix factorization with robust stochastic approximation. IEEE Transactions on Neural Networks and Learning Systems. 2012, 23 (7): 1087–1099. PMID 24807135. S2CID 8755408. doi:10.1109/TNNLS.2012.2197827. 
  24. ^ Lavrentiev, M. M. Some Improperly Posed Problems of Mathematical Physics. New York: Springer. 1967. 
  25. ^ Hansen, Per Christian. Rank-Deficient and Discrete Ill-Posed Problems: Numerical Aspects of Linear Inversion 1st. Philadelphia, USA: SIAM. Jan 1, 1998. ISBN 9780898714036. 
  26. ^ P. C. Hansen, "The L-curve and its use in the numerical treatment of inverse problems", [1]页面存档备份,存于互联网档案馆
  27. ^ Wahba, G. Spline Models for Observational Data. CBMS-NSF Regional Conference Series in Applied Mathematics (Society for Industrial and Applied Mathematics). 1990. Bibcode:1990smod.conf.....W. 
  28. ^ Golub, G.; Heath, M.; Wahba, G. Generalized cross-validation as a method for choosing a good ridge parameter (PDF). Technometrics. 1979, 21 (2): 215–223 [2023-09-24]. doi:10.1080/00401706.1979.10489751. (原始内容存档 (PDF)于2017-12-15). 
  29. ^ Tarantola, Albert. Inverse Problem Theory and Methods for Model Parameter Estimation 1st. Philadelphia: Society for Industrial and Applied Mathematics (SIAM). 2005 [2018-08-09]. ISBN 0898717922. (原始内容存档于2021-02-25). 
  30. ^ Greenberg, Edward; Webster, Charles E., Jr. Advanced Econometrics : A Bridge to the Literature. New York: John Wiley & Sons. 1983: 207–213. ISBN 0-471-09077-8. 
  31. ^ Vogel, Curtis R. Computational methods for inverse problems. Philadelphia: Society for Industrial and Applied Mathematics. 2002. ISBN 0-89871-550-4. 
  32. ^ Amemiya, Takeshi. Advanced Econometrics需要免费注册. Harvard University Press. 1985: 60–61. ISBN 0-674-00560-0. 

阅读更多