La función de costo de la red neuronal es , y se afirma que no es convexa . No entiendo por qué es así, ya que, como veo, es bastante similar a la función de costo de la regresión logística, ¿verdad?
Si no es convexo, entonces la derivada de segundo orden , ¿verdad?
ACTUALIZAR
Gracias a las respuestas a continuación, así como al comentario de @gung, entendí su punto, si no hay capas ocultas, es convexo, al igual que la regresión logística. Pero si hay capas ocultas, al permutar los nodos en las capas ocultas, así como los pesos en las conexiones posteriores, podríamos tener múltiples soluciones de los pesos que resultan en la misma pérdida.
Ahora más preguntas,
1) Hay múltiples mínimos locales, y algunos de ellos deberían tener el mismo valor, ya que corresponden a algunas permutaciones de nodos y pesos, ¿verdad?
2) Si los nodos y los pesos no se permutarán en absoluto, entonces es convexo, ¿verdad? Y los mínimos serán los mínimos mundiales. Si es así, la respuesta a 1) es, todos esos mínimos locales serán del mismo valor, ¿correcto?
fuente
Respuestas:
La función de costo de una red neuronal en general no es convexa ni cóncava. Esto significa que la matriz de todas las segundas derivadas parciales (la hessiana) no es semidefinida positiva ni semidefinida negativa. Dado que la segunda derivada es una matriz, es posible que no sea una ni la otra.
Para hacer esto análogo a las funciones de una variable, se podría decir que la función de costo no tiene la forma de la gráfica de ni la gráfica de - x 2 . Otro ejemplo de un no-convexa, la función no es cóncava pecado ( x ) en R . Una de las diferencias más notables es que ± x 2 tiene solo un extremo, mientras que el pecado tiene infinitos máximos y mínimos.x2 −x2 sin(x) R ±x2 sin
¿Cómo se relaciona esto con nuestra red neuronal? Una función de costo también tiene varios máximos y mínimos locales, como puede ver en esta imagen , por ejemplo.J(W,b)
El hecho de que tenga múltiples mínimos también se puede interpretar de una manera agradable. En cada capa, utiliza múltiples nodos a los que se les asignan diferentes parámetros para que la función de costo sea pequeña. Excepto por los valores de los parámetros, estos nodos son iguales. Por lo tanto, puede intercambiar los parámetros del primer nodo en una capa con los del segundo nodo en la misma capa y tener en cuenta este cambio en las capas posteriores. Terminaría con un conjunto diferente de parámetros, pero no se puede distinguir el valor de la función de costo (básicamente, simplemente movió un nodo a otro lugar, pero mantuvo todas las entradas / salidas iguales).J
fuente
Si permutas las neuronas en la capa oculta y haces la misma permutación en los pesos de las capas adyacentes, la pérdida no cambia. Por lo tanto, si hay un mínimo global distinto de cero en función de los pesos, entonces no puede ser único ya que la permutación de los pesos da otro mínimo. Por lo tanto, la función no es convexa.
fuente
Whether the objective function is convex or not depends on the details of the network. In the case where multiple local minima exist, you ask whether they're all equivalent. In general, the answer is no, but the chance of finding a local minimum with good generalization performance appears to increase with network size.
This paper is of interest:
From the introduction:
They also cite some papers describing how saddle points are a bigger issue than local minima when training large networks.
fuente
Some answers for your updates:
Yes, there are in general multiple local minima. (If there was only one, it would be called the global minimum.) The local minima will not necessarily be of the same value. In general, there may be no local minima sharing the same value.
No, it's not convex unless it's a one-layer network. In the general multiple-layer case, the parameters of the later layers (the weights and activation parameters) can be highly recursive functions of the parameters in previous layers. Generally, multiplication of decision variables introduced by some recursive structure tends to destroy convexity. Another great example of this is MA(q) models in times series analysis.
Side note: I don't really know what you mean by permuting nodes and weights. If the activation function varies across nodes, for instance, and you permute the nodes, you're essentially optimizing a different neural network. That is, while the minima of this permuted network may be the same minima, this is not the same network so you can't make a statement about the multiplicity of the same minima. For an analogy of this in the least-squares framework, you are for example swapping some rows ofy and X and saying that since the minimum of ∥y−Xβ∥ is the same as before that there are as many minimizers as there are permutations.
fuente
You will have one global minimum if problem is convex or quasiconvex.
About convex "building blocks" during building neural networks (Computer Science version)
I think there are several of them which can be mentioned:
max(0,x) - convex and increasing
log-sum-exp - convex and increasing in each parameter
y = Ax is affine and so convex in (A), maybe increasing maybe decreasing. y = Ax is affine and so convex in (x), maybe increasing maybe decreasing.
Unfortunately it is not convex in (A, x) because it looks like indefinite quadratic form.
Usual math discrete convolution (by "usual" I mean defined with repeating signal) Y=h*X Looks that it is affine function of h or of variable X. So it's a convex in variable h or in variable X. About both variables - I don't think so because when h and X are scalars convolution will reduce to indefinite quadratic form.
max(f,g) - if f and g are convex then max(f,g) is also convex.
If you substitute one function into another and create compositions then to still in the convex room for y=h(g(x),q(x)), but h should be convex and should increase (non-decrease) in each argument....
Why neural netwoks in non-convex:
I think the convolution Y=h*X is not nessesary increasing in h. So if you not use any extra assumptions about kernel you will go out from convex optimization immediatly after you apply convolution. So there is no all fine with composition.
Also convolution and matrix multiplication is not convex if consider couple parameters as mentioned above. So there is evean a problems with matrix multiplication: it is non-convex operation in parameters (A,x)
y = Ax can be quasiconvex in (A,x) but also extra assumptions should be taken into account.
Please let me know if you disagree or have any extra consideration. The question is also very interesting to me.
p.s. max-pooling - which is downsamping with selecting max looks like some modification of elementwise max operations with affine precomposition (to pull need blocks) and it looks convex for me.
About other questions
No, logistic regression is not convex or concave, but it is log-concave. This means that after apply logarithm you will have concave function in explanatory variables. So here max log-likelihood trick is great.
If there are not only one global minimum. Nothing can be said about relation between local minimums. Or at least you can not use convex optimization and it's extensions for it, because this area of math is deeply based on global underestimator.
Maybe you have confusion about this. Because really people who create such schemas just do "something" and they receive "something". Unfortunately because we don't have perfect mechanism for tackle with non-convex optimization (in general).
But there are even more simple things beside Neural Networks - which can not be solved like non-linear least squares -- https://youtu.be/l1X4tOoIHYo?t=2992 (EE263, L8, 50:10)
fuente