泛化性乱弹：从随机噪声、梯度惩罚到虚拟对抗训练

©PaperWeekly 原创 · 作者｜苏剑林

单位｜追一科技

研究方向｜NLP、神经网络

提高模型的泛化性能是机器学习致力追求的目标之一。常见的提高泛化性的方法主要有两种：第一种是添加噪声，比如往输入添加高斯噪声、中间层增加 Dropout 以及进来比较热门的对抗训练等，对图像进行随机平移缩放等数据扩增手段某种意义上也属于此列；第二种是往 loss 里边添加正则项，比如 , 惩罚、梯度惩罚等。本文试图探索几种常见的提高泛化性能的手段的关联。

随机噪声

我们记模型为 f(x)，为训练数据集合，l(f(x), y) 为单个样本的 loss，那么我们的优化目标是：

是 f(x) 里边的可训练参数。假如往模型输入添加噪声，其分布为，那么优化目标就变为：

当然，可以添加噪声的地方不仅仅是输入，也可以是中间层，也可以是权重，甚至可以是输出 y（等价于标签平滑），噪声也不一定是加上去的，比如 Dropout 是乘上去的。对于加性噪声来说，的常见选择是均值为 0、方差固定的高斯分布；而对于乘性噪声来说，常见选择是均匀分布 U([0,1]) 或者是伯努利分布。

添加随机噪声的目的很直观，就是希望模型能学会抵御一些随机扰动，从而降低对输入或者参数的敏感性，而降低了这种敏感性，通常意味着所得到的模型不再那么依赖训练集，所以有助于提高模型泛化性能。

提高效率

添加随机噪声的方式容易实现，而且在不少情况下确实也很有效，但它有一个明显的缺点：不够“特异性”。噪声是随机的，而不是针对 x 构建的，这意味着多数情况下可能只是一个平凡样本，也就是没有对原模型造成比较明显的扰动，所以对泛化性能的提高帮助有限。

增加采样

从理论上来看，加入随机噪声后，单个样本的 loss 变为：

但实践上，对于每个特定的样本 (x,y)，我们一般只采样一个噪声，所以并没有很好地近似上式。当然，我们可以采样多个噪声，然后更好地近似：

但这样相当于 batch_size 扩大为原来的 k 倍，增大了计算成本，并不是那么友好。

近似展开

一个直接的想法是，如果能事先把式 (3) 中的积分算出来，那就用不着低效率地采样了（或者相当于一次性采样无限多的噪声）。我们就往这个方向走一下试试。当然，精确的显式积分基本上是做不到的，我们可以做一下近似展开：

然后两端乘以积分，这里假设的各个分量是独立同分布的，并且均值为 0、方差为，那么积分结果就是：

这里的是拉普拉斯算子，即。这个结果在形式上很简单，就是相当于往 loss 里边加入正则项，然而实践上却相当困难，因为这意味着要算 l 的二阶导数，再加上梯度下降，那么就一共要算三阶导数，这是现有深度学习框架难以高效实现的。

转移目标

直接化简的积分是行不通了，但我们还可以试试将优化目标换成：

也就是变成同时缩小的差距，两者双管齐下，一定程度上也能达到缩小差距的目标。关键的是，这个目标能得到更有意思的结果。

思路解析

用数学的话来讲，如果 l 是某种形式的距离度量，那么根据三角不等式就有：

如果 l 不是度量，那么通常根据詹森不等式也能得到一个类似的结果，比如，那么我们有：

这也就是说，目标 (7)（的若干倍）可以认为是的上界，原始目标不大好优化，所以我们改为优化它的上界。

注意到，目标 (7) 的两项之中，衡量了模型本身的平滑程度，跟标签没关系，用无标签数据也可以对它进行优化，这意味着它可以跟带标签的数据一起，构成一个半监督学习流程。

勇敢地算

对于目标 (7) 来说，它的积分结果是：

还是老路子，近似展开：

很恐怖？不着急，我们回顾一下，作为 loss 函数的 l，它一般会有如下几个特点：

1. l是光滑的；

2. l(x, x)=0；

3. 。

这其实就是说 l 是光滑的，并且在 x=y 的时候取到极（小）值，且极（小）值为 0，这几个特点几乎是所有 loss 的共性了。基于这几个特点，恐怖的 (11) 式的前三项就直接为 0 了，所以最后的积分结果是：

梯度惩罚

看上去依然让人有些心悸，但总比 (11) 好多了。上式也是一个正则项，其特点是只包含一阶梯度项，而对于特定的损失函数，可以提前算出来，我们记为，那么：

这其实就是对每个 f(x) 的每个分量都算一个梯度惩罚项，然后按加权求和。

对于 MSE 来说，，这时候可以算得，所以对应的正则项为；对于 KL 散度来说，，这时候，那么对应的正则项为。

这些结果大家多多少少可以从著名的“花书”《深度学习》[1] 中找到类似的，所以并不是什么新的结果。类似的推导还可以参考文献 Training with noise is equivalent to Tikhonov regularization [2]。

采样近似

当然，虽然能求出只带有一阶梯度的正则项，但事实上这个计算量也不低，因为需要对每个都要求梯度，如果输出的分量数太大，这个计算量依然难以承受。

这时候可以考虑的方案是通过采样近似计算：假设是均值为 0、方差为 1 的分布，那么我们有：

这样一来，每步我们只需要算的梯度，不需要算多次梯度。的一个最简单的取法是空间为的均匀分布，也就是等概率地从中选取一个。

对抗训练

回顾前面的流程，我们先是介绍了添加随机噪声这一增强泛化性能的手段，然后指出随机加噪声可能太没特异性，所以想着先把积分算出来，才有了后面推导的关于近似展开与梯度惩罚的一些结果。那么换个角度来想，如果我们能想办法更特异性地构造噪声信号，那么也能提高训练效率，增强泛化性能了。

监督对抗

有监督的对抗训练，关注的是原始目标 (3)，优化的目标是让 loss 尽可能小，所以如果我们要选择更有代表性的噪声，那么应该选择能让 loss 变得更大的噪声，而：

所以让尽可能大就意味着要跟同向，换言之扰动要往梯度上升方向走，即：

这便构成了对抗训练中的 FGM 方法，之前在对抗训练浅谈：意义、方法和思考（附Keras实现）就已经介绍过了。

值得注意的是，在对抗训练浅谈：意义、方法和思考（附Keras实现）一文中我们也推导过，对抗训练在一定程度上也等价于往 loss 里边加入梯度惩罚项，这又跟前一节的关于噪声积分的结果类似。这表明梯度惩罚应该是通用的能提高模型性能的手段之一。

虚拟对抗

在前面我们提到，这一项不需要标签信号，因此可以用来做无监督学习，并且关于它的展开高斯积分我们得到了梯度惩罚 (13)。

如果沿着对抗训练的思想，我们不去计算积分，而是去寻找让尽可能大的扰动噪声，这就构成了“虚拟对抗训练（VAT）”，首次出现在文章 Virtual Adversarial Training: A Regularization Method for Supervised and Semi-Supervised Learning [3] 中。

基于前面对损失函数 l 的性质的讨论，我们知道关于的一阶梯度为 0，所以要算对抗扰动，还必须将它展开到二阶：

这里用表示不需要对里边的 x 求梯度。这样一来，我们需要解决两个问题：

1. 如何高效计算 Hessian 矩阵；

2. 如何求单位向量 u 使得最大？

事实上，不难证明 u 的最优解实际上就是“ 的最大特征根对应的特征向量”，也称为“ 的主特征向量”，而要近似求主特征向量，一个行之有效的方法就是“幂迭代法 [4]”：

从一个随机向量出发，迭代执行。相关推导可以参考深度学习中的Lipschitz约束：泛化与生成模型的“主特征根”和“幂迭代”两节。

在幂迭代中，我们发现并不需要知道具体值，只需要知道的值，这可以通过差分来近似计算：

其中是一个标量常数。根据这个近似结果，我们就可以得到如下的 VAT 流程：

初始化向量、标量和；

迭代 r 次：

用作为 loss 执行常规梯度下降。

实验表明一般迭代 1 次就不错了，而如果迭代 0 次，那么就是本文开头提到的添加高斯噪声。这表明虚拟对抗训练就是通过来提高噪声的“特异性”的。

参考实现

关于对抗训练的 Keras 实现，在对抗训练浅谈：意义、方法和思考（附Keras实现）一文中已经给出过，这里笔者给出 Keras 下虚拟对抗训练的参考实现：

def virtual_adversarial_training(
    model, embedding_name, epsilon=1, xi=10, iters=1
):
    """给模型添加虚拟对抗训练
    其中model是需要添加对抗训练的keras模型，embedding_name
    则是model里边Embedding层的名字。要在模型compile之后使用。
    """
    if model.train_function is None:  # 如果还没有训练函数
        model._make_train_function()  # 手动make
    old_train_function = model.train_function  # 备份旧的训练函数

    # 查找Embedding层
    for output in model.outputs:
        embedding_layer = search_layer(output, embedding_name)
        if embedding_layer is not None:
            break
    if embedding_layer is None:
        raise Exception('Embedding layer not found')

    # 求Embedding梯度
    embeddings = embedding_layer.embeddings  # Embedding矩阵
    gradients = K.gradients(model.total_loss, [embeddings])  # Embedding梯度
    gradients = K.zeros_like(embeddings) + gradients[0]  # 转为dense tensor

    # 封装为函数
    inputs = (
        model._feed_inputs + model._feed_targets + model._feed_sample_weights
    )  # 所有输入层
    model_outputs = K.function(
        inputs=inputs,
        outputs=model.outputs,
        name='model_outputs',
    )  # 模型输出函数
    embedding_gradients = K.function(
        inputs=inputs,
        outputs=[gradients],
        name='embedding_gradients',
    )  # 模型梯度函数

    def l2_normalize(x):
        return x / (np.sqrt((x**2).sum()) + 1e-8)

    def train_function(inputs):  # 重新定义训练函数
        outputs = model_outputs(inputs)
        inputs = inputs[:2] + outputs + inputs[3:]
        delta1, delta2 = 0.0, np.random.randn(*K.int_shape(embeddings))
        for _ in range(iters):  # 迭代求扰动
            delta2 = xi * l2_normalize(delta2)
            K.set_value(embeddings, K.eval(embeddings) - delta1 + delta2)
            delta1 = delta2
            delta2 = embedding_gradients(inputs)[0]  # Embedding梯度
        delta2 = epsilon * l2_normalize(delta2)
        K.set_value(embeddings, K.eval(embeddings) - delta1 + delta2)
        outputs = old_train_function(inputs)  # 梯度下降
        K.set_value(embeddings, K.eval(embeddings) - delta2)  # 删除扰动
        return outputs

    model.train_function = train_function  # 覆盖原训练函数


# 写好函数后，启用虚拟对抗训练只需要一行代码
virtual_adversarial_training(model_vat, 'Embedding-Token')

完整的使用脚本请参考：

https://github.com/bojone/bert4keras/blob/master/examples/task_sentiment_virtual_adversarial_training.py

大概是将模型建立两次，一个模型通过标注数据正常训练，一个模型通过无标注数据虚拟对抗训练，两者交替执行，请读懂源码后再使用，不要乱套代码。实验任务为情况分类，大约有 2 万的标注数据，取前 200 个作为标注样本，剩下的作为无标注数据，VAT 和非 VAT 的表现对比如下（每个实验都重复了三次，取平均）：