Кіріспе
Модельді таңдау принципі Минималды сипаттама ұзындығы (MDL) – деректердің ең қысқа сипаттамасын ең жақсы модель деп санайтын модельді таңдау принципі. MDL әдістері деректерді сығу тұрғысынан оқуды жүзеге асырады және кейде Окамның қырғышының математикалық қолданысы ретінде сипатталады. MDL принципі индуктивті қорытынды және оқудың басқа түрлеріне, мысалы, бағалау мен тізбектелген болжамдарға, деректердің нақты бір моделін анықтамай кеңейтілуі мүмкін. MDL негізінен ақпарат теориясынан бастау алады және статистиканың, теориялық информатиканың және машиналық оқытудың, сондай-ақ есептеулік оқыту теориясының жалпы салаларында одан әрі дамытылды. Тарихи тұрғыдан алғанда, "минималды сипаттама ұзындығы принципі" деген анықталған сөз тіркесінің әртүрлі, бірақ байланысты қолданылулары бар, олар сипаттамамен білдірілетін мәнге байланысты: Йорма Риссаненнің оқу теориясы шеңберінде, ақпарат теориясының орталық ұғымы ретінде, модельдер статистикалық гипотезалар болып табылады және сипаттамалар әмбебап кодтар ретінде анықталады. Риссаненнің 1978 жылғы қысқа сипаттамаларды автоматты түрде алуға жасаған алғашқы прагматикалық әрекеті Байес ақпараттық критерийімен (BIC) байланысты. Алгоритмдік ақпарат теориясы аясында деректер тізбегінің сипаттама ұзындығы – осы деректер жиынтығын шығаратын ең кішкентай бағдарламаның ұзындығы болып табылады. Бұл жағдайда ол "идеалданған" MDL принципі деп те аталады және Соломоновтың индуктивті қорытынды теориясымен тығыз байланысты, яғни деректер жиынтығының ең жақсы моделі оның ең қысқа өзіндік архивпен бейнеленеді.
Minimum Description Length (MDL) is a model selection principle where the shortest description of the data is the best model. MDL methods learn through a data compression perspective and are sometimes described as mathematical applications of Occam's razor. The MDL principle can be extended to other forms of inductive inference and learning, for example to estimation and sequential prediction, without explicitly identifying a single model of the data. MDL has its origins mostly in information theory and has been further developed within the general fields of statistics, theoretical computer science and machine learning, and more narrowly computational learning theory. Historically, there are different, yet interrelated, usages of the definite noun phrase "the minimum description length principle" that vary in what is meant by description:
Within Jorma Rissanen's theory of learning, a central concept of information theory, models are statistical hypotheses and descriptions are defined as universal codes. Rissanen's 1978 pragmatic first attempt to automatically derive short descriptions, relates to the Bayesian Information Criterion (BIC). Within Algorithmic Information Theory, where the description length of a data sequence is the length of the smallest program that outputs that data set. In this context, it is also known as 'idealized' MDL principle and it is closely related to Solomonoff's theory of inductive inference, which is that the best model of a data set is represented by its shortest self extracting archive.
Шолу
Қол жетімді деректердің ең қысқа сипаттамасын ең жақсы модель деп таңдау Окамның қырқасы деп аталатын қағиданы сақтайды. Компьютерлік бағдарламалау пайда болғанға дейін мұндай сипаттамаларды жасау ғылыми теоретиктердің зихи еңбегі болды. Бұл компьютер дәуіріндегідей формалдылықтан әлдеқайда төмен болды. Егер екі ғалым теориялық дауға келсе, олар өз теорияларының арасынан таңдау жасау үшін Окамның қырқасын формалды түрде қолдана алмайтын. Олардың деректер жиынтығы әртүрлі, ал сипаттау тілдері де әртүрлі болуы мүмкін. Дегенмен, ғылым Окамның қырқасы қай модельдің ең жақсы екенін анықтаудағы бейресми нұсқаушы ретінде алға жылжуда. Формалды тілдер мен компьютерлік бағдарламалау пайда болғаннан кейін Окамның қырқасы математикалық тұрғыдан анықталды. Мәліметтердің биттері түрінде кодталған берілген бақылаулар жиынтығының модельдері осы деректерді шығаратын компьютерлік бағдарламалар түрінде құрылуы мүмкін. Окамның қырқасы осы алгоритмдік ақпараттың биттерімен өлшенген ең қысқа бағдарламаны ең жақсы модель ретінде формалды түрде таңдай алады. Сандардың жаңылыспауы үшін, MDL қағидасы модельді құрайтын бағдарламаны машина жасады дегенді білдірмейтінін ескеріңіз. Ол толығымен адамның еңбегі болуы мүмкін. MDL қағидасы компьютерде орындалатын сипаттаманың адамның, машинаның немесе олардың кез келген комбинациясының өніміне қарамастан қолданылады. MDL қағидасы тек орындалған кезде ең қысқа сипаттама бастапқы деректер жиынтығын қатесіз шығаруын талап етеді.
Екі бөлімнен тұратын кодтар
Компьютерлік бағдарламаларда бағдарламалар мен нақты деректер арасындағы ерекшелік барлық формалды сипаттамаларға қатысты және кейде сипаттаманың "екі бөлігі" деп аталады. Статистикалық MDL оқытуда мұндай сипаттама жиі екі бөлімді код деп аталады.
Машиналық оқытудағы MDL
MDL машиналық оқытуда алгоритмдер (машиналар) сипаттамалар жасағанда қолданылады. Оқу, алгоритм бір деректер жиынтығын қысқарақ сипаттағанда жүзеге асады. Бірақ, деректер жиынтығының теориялық ең аз сипаттама ұзындығы, яғни Колмогоров күрделілігі есептеле алмайды. Атап айтқанда, тіпті кездейсоқ түрде алгоритм деректер жиынтығын шығаратын ең қысқа бағдарламаны жасаса да, автоматты теореманы дәлелдейтін құрал одан қысқа бағдарламаның жоқтығын дәлелдей алмайды. Дегенмен, егер екі бағдарлама бірдей деректер жиынтығын шығарса, MDL принципі олардың арасындағы қысқарақ бағдарламаны ең жақсы модель деп таңдайды.
Алгоритмдік MDL оқыту бойынша соңғы жұмыстар
Соңғы уақытта алгоритмикалық, статистикалық емес, дерек модельдерін MDL оқыту деректердің, есептеу қуатының артуымен және теориялық прогресспен байланысты үлкен қызығушылыққа ие болды. Бұл тәсілдер жасанды жалпы интеллект саласының қарқынды дамуымен байланысты. Марвин Мински қайтыс болғанға аздан кейін осы зерттеу бағытын ынталы түрде қолдап былай деді:
Статистикалық ЖЖЖ оқыту
Деректердің кез келген жиынтығы шекті (мысалы, екілік) әліпбидегі символдар тізбегімен бейнеленуі мүмкін. [MDL қағидаты] келесі түсінікке негізделген: берілген деректер жиынтығындағы кез келген жүйелілікті деректерді сығыстыру үшін пайдалануға болады, яғни деректерді сөзбе-сөз сипаттауға қажетті символдардан кемірек символдарды қолданып сипаттауға болады. (Грунвальд, 2004) Осыған негізделіп, 1978 жылы Йорма Риссанен алгоритмдік ақпараттың орнына статистикалық ақпаратты пайдалана отырып, MDL оқыту алгоритмін жариялады. Соңғы 40 жылда бұл бай статистикалық және машиналық оқыту әдістерінің теориясына айналды, Байес модельдерін таңдау және орташалау, Лассо мен Ридж сияқты жазалау әдістері және т.б. Грунвальд пен Рус (2020) барлық заманауи әзірлемелермен кіріспе береді. Риссанен мына идеямен бастады: барлық статистикалық оқыту деректердегі жүйеліліктерді табуға бағытталған, ал деректегі жүйеліліктерді сипаттау үшін ең жақсы гипотеза – деректерді статистикалық тұрғыдан ең көп қысылатын гипотеза. Басқа статистикалық әдістер сияқты, оны кейбір деректерді пайдалана отырып, модельдің параметрлерін оқыту үшін қолдануға болады. Әдетте, стандартты статистикалық әдістер модельдің жалпы түрі белгілі деп есептейді. MDL-дің басты артықшылығы – оны модельдің жалпы түрін және оның параметрлерін таңдау үшін де қолдануға болады. Қызығушылық тудыратын нысан (кейде жай ғана модель, кейде жай ғана параметрлер, ал кейде екеуі де бір уақытта) гипотеза деп аталады. Негізгі идея – жоқтайтын екі сатылы кодты қарастыру, ол деректерді ұзындығымен кодтайды, алдымен қарастырылған гипотезалар жиынтығындағы гипотезаны кодтайды, содан кейін «көмегімен» кодтайды; ең қарапайым жағдайда бұл «деректердің болжаулардан ауытқуларын кодтау» дегенді білдіреді. Бұл минимумға қол жеткізу деректердің ең жақсы түсіндірмесі ретінде қарастырылады. Мысал ретінде регрессия мәселесін қарастырайық: деректер нүктелер тізбегінен тұруы мүмкін, ал жиынтық – барлық полиномдар жиынтығынан. Бір дәрежелі полиномды сипаттау үшін (мысалы) алдымен параметрлерді белгілі бір дәлдікпен дискреттеу керек, содан кейін осы дәлдікті (табиғи сан) сипаттау керек, содан кейін дәрежені (басқа табиғи сан) сипаттау керек, және соңғы қадамда параметрлерді сипаттау керек; жалпы ұзындығы сонда болады. Содан кейін x мәндері үшін белгілі бір кодты және ауытқулар үшін басқа кодты пайдаланып, нүктелерді сипаттау керек. Бірақ тәжірибеде көбінесе ықтималдық модель қолданылады. Мысалы, әр полиномды тиісті шартты үлестіріммен байланыстырады, бұл берілгенде , орташа мәні және белгілі бір дисперсиясы бар қалыпты үлестірімге ие екенін көрсетеді, оны тұрақты немесе еркін параметр ретінде қосуға болады. Содан кейін гипотезалар жиынтығы сызықтық модельге дейін қысқарады, полиномдық. Сонымен қатар, көбінесе белгілі бір параметрлердің мәндеріне тікелей қызығушылық танытпайды, бірақ мысалы, полиномның дәрежесіне ғана қызығушылық танытады. Бұл жағдайда, әрқайсысы деректердің j-ші дәрежелі полином ретінде сипатталатын гипотезаны білдіретін болады. Содан кейін, берілген гипотезаға сәйкес деректерді бір бөлікті кодты пайдаланып кодтайды, егер кейбір гипотезалар деректерге жақсы сәйкес келсе, кодтың ұзындығы қысқа болады. Мұндай кодтарды құру универсалды кодтау деп аталады. Әдетте, ұзақ деректер тізбегі үшін ұқсас ұзындықты, бірақ қысқа тізбек үшін әртүрлі ұзындықты беретін әртүрлі универсалды кодтар бар. «Үздік» (минимакс-оптималдылық қасиеті бар мағынасында) – нормаланған ең жоғары ықтималдық (NML) немесе Штарков кодтары. Кодтардың өте пайдалы класы – Байес шекті ықтималдық кодтары. Үлестірімдердің экспоненциалдық отбасылары үшін Джеффридің алдын ала таралымы қолданылғанда және параметр кеңістігі қолайлы түрде шектелгенде, олар асимптотикалық түрде NML кодтарымен сәйкес келеді; бұл MDL теориясын объективті Байес модельдерін таңдаумен тығыз байланысқа әкеледі, онда кейде Джеффридің алдын ала таралымы да қолданылады, бірақ басқа себептермен. Үлгілерді іріктеуге қатысты MDL тәсілі «үлгілерді іріктеуге қатысты BIC тәсілімен формалды түрде бірдей критерийді береді» үлгілердің көп саны үшін.
Based on this, in 1978, Jorma Rissanen published an MDL learning algorithm using the statistical notion of information rather than algorithmic information. Over the past 40 years this has developed into a rich theory of statistical and machine learning procedures with connections to Bayesian model selection and averaging, penalization methods such as Lasso and Ridge, and so on Grünwald and Roos (2020) give an introduction including all modern developments. Rissanen started out with this idea: all statistical learning is about finding regularities in data, and the best hypothesis to describe the regularities in data is also the one that is able to statistically compress the data most. Like other statistical methods, it can be used for learning the parameters of a model using some data. Usually though, standard statistical methods assume that the general form of a model is fixed. MDL's main strength is that it can also be used for selecting the general form of a model and its parameters. The quantity of interest (sometimes just a model, sometimes just parameters, sometimes both at the same time) is called a hypothesis. The basic idea is then to consider the (lossless) two stage code that encodes data with length by first encoding a hypothesis in the set of considered hypotheses and then coding "with the help of" ; in the simplest context this just means "encoding the deviations of the data from the predictions made by :
The achieving this minimum is then viewed as the best explanation of data As a simple example, take a regression problem: the data could consist of a sequence of points , the set could be the set of all polynomials from to To describe a polynomial of degree (say) , one would first have to discretize the parameters to some precision; one would then have to describe this precision (a natural number); next, one would have to describe the degree (another natural number), and in the final step, one would have to describe parameters; the total length would be One would then describe the points in using some fixed code for the x values and then using a code for the deviations
In practice, one often (but not always) uses a probabilistic model. For example, one associates each polynomial with the corresponding conditional distribution expressing that given , is normally distributed with mean and some variance which could either be fixed or added as a free parameter. Then the set of hypotheses reduces to the assumption of a linear model, , with a polynomial. Furthermore, one is often not directly interested in specific parameters values, but just, for example, the degree of the polynomial. In that case, one sets to be where each represents the hypothesis that the data is best described as a j th degree polynomial. One then codes data given hypothesis using a one part code designed such that, whenever some hypothesis fits the data well, the codelength is short. The design of such codes is called universal coding. There are various types of universal codes one could use, often giving similar lengths for long data sequences but differing for short ones. The 'best' (in the sense that it has a minimax optimality property) are the normalized maximum likelihood (NML) or Shtarkov codes. A quite useful class of codes are the Bayesian marginal likelihood codes. For exponential families of distributions, when Jeffreys prior is used and the parameter space is suitably restricted, these asymptotically coincide with the NML codes; this brings MDL theory in close contact with objective Bayes model selection, in which one also sometimes adopts Jeffreys' prior, albeit for different reasons. The MDL approach to model selection "gives a selection criterion formally identical to the BIC approach" for large number of samples.
Статистикалық ЖДБ оқыту үлгісі
Бір монета 1000 рет лақтырылады, ал сырға (бас) және қанатқа (құйрық) түскендердің саны жазылады. Екі модель класын қарастырайық: біріншісі – нәтижелерді 0 (сырға) немесе 1 (қанатқа) арқылы бейнелейтін код. Бұл код монета теңдігі туралы гипотезаны көрсетеді. Осы код бойынша кодтың ұзындығы әрқашан дәл 1000 биттен тұрады. Екіншісі – белгілі бір қисаймыздыққа (bias) ие монета үшін тиімді барлық кодтар, яғни монета тең емес деген гипотезаны көрсетеді. Егер 510 сырға және 490 қанатқа түскенін байқасақ, онда екінші модель класындағы ең жақсы кодтың ұзындығы 1000 биттен кем болады. Осы себепті, қарапайым статистикалық әдіс деректерді жақсы түсіндіру ретінде екінші модельді таңдауы мүмкін. Дегенмен, MDL (Minimum Description Length) әдісі жақсырақ кодты ғана пайдаланудың орнына, гипотезаға негізделген жалғыз кодты құрастырады. Бұл код нормаланған максималды ықтималдық коды немесе Байес коды болуы мүмкін. Егер мұндай код қолданылса, екінші модель класына негізделген жалпы код ұзындығы 1000 биттен артық болады. Сондықтан, MDL әдісін қолданғанда, екінші модель класының ең жақсы коды деректерге жақсы сәйкес келсе де, қисайған монета туралы гипотезаны қолдауға жеткілікті дәлел жоқ деген қорытындыға келеміз.
The first is a code that represents outcomes with a 0 for heads or a 1 for tails. This code represents the hypothesis that the coin is fair. The code length according to this code is always exactly 1000 bits. The second consists of all codes that are efficient for a coin with some specific bias, representing the hypothesis that the coin is not fair. Say that we observe 510 heads and 490 tails. Then the code length according to the best code in the second model class is shorter than 1000 bits. For this reason, a naive statistical method might choose the second model as a better explanation for the data. However, an MDL approach would construct a single code based on the hypothesis, instead of just using the best one. This code could be the normalized maximum likelihood code or a Bayesian code. If such a code is used, then the total codelength based on the second model class would be larger than 1000 bits. Therefore, the conclusion when following an MDL approach is inevitably that there is not enough evidence to support the hypothesis of the biased coin, even though the best element of the second model class provides better fit to the data.
Статистикалық МДК белгісі
MDL теориясының негізі код ұзындығы функциялары мен ықтималдық үлестірімдері арасындағы бір-бірге сәйкестік болып табылады (бұл Kraft–McMillan теңсіздігінен шығады). Кез келген ықтималдық үлестірімі үшін, сол ықтималдыққа сәйкес кодты құрастыру мүмкін, оның ұзындығы (биттермен) тең болады; бұл код күтілетін код ұзындығын ең төменге дейін азайтады. Керісінше, егер код берілсе, сол сияқты ықтималдық үлестірімін құруға болады. (Дөңгелектеу мәселелері ескерілмейді.) Яғни, тиімді кодты іздеу, жақсы ықтималдық үлестірімін іздеумен эквивалентті.
Статистикалық білім берудің шектеулері
Статистикалық MDL сипаттама тілі есептеу жағынан толыққанды емес. Сондықтан, ол тіпті теория жүзінде де рекурсивті табиғи процестердің модельдерін үйрене алмайды.
Қарым-қатынас ұғымдары
Статистикалық МДЛ оқыту жоғарыда аталған кодтар мен ықтималдық үлестірімдер арасындағы сәйкестік арқылы ықтималдық теориясы мен статистикамен тығыз байланысты. Бұл кейбір зерттеушілерді МДЛ-ді Байестік қорытындыға тең деп қарастыруға алып келді: МДЛ-дегі модельдің код ұзындығы мен деректер Байестік негіздегі алдын ала ықтималдығы мен маргиналды ықтималдығына сәйкес келеді. Бейес машиналары тиімді МДЛ кодтарын құрастыруда пайдалы болғанымен, МДЛ базасы Бейестікке жатпайтын басқа кодтарды да қамтиды. Мысал ретінде Штарковтың нормаланған максималды ықтималдық коды, ол қазіргі МДЛ теориясында орталық рөл атқарады, бірақ Байестік қорытындыда баламасы жоқ. Сонымен қатар, Риссанен деректерді тудырудың нақты процесі туралы ешқандай болжам жасау қажет емес екенін атап өтті: іс жүзінде модель класы көбінесе шындықтың жеңілдетілген нұсқасы болып табылады, сондықтан ол ешқандай объективті мағынада дұрыс кодты немесе ықтималдық үлестірімін қамтымайды. Аталған сілтемеде Риссанен МДЛ-дің математикалық негізін Колмогоровтың құрылымдық функциясына негіздейді. МДЛ философиясына сәйкес, егер Бейес әдістері нашар нәтижелерге әкелетін қауіпсіз алдын ала ықтималдықтарға негізделсе, оларды қабылдамау керек. МДЛ тұрғысынан қабылданатын алдын ала ықтималдықтар, сондай-ақ, «объективті Бейес анализі» деп аталатында да басымдыққа ие; алайда, олардың себептері әдетте басқаша.
Басқа жүйелер
Риссаненнің оқытудың алғашқы ақпараттық теориялық әдісі болған жоқ; 1968 жылы Уоллес пен Болтон ең аз хабар ұзындығы (ММЛ) деп аталатын ұқсас тұжырымдаманы алғаш ұсынды. МДЛ мен ММЛ арасындағы айырмашылық әлі де шатастыру тудырады. Сырттай қарағанда, әдістер көбінесе бірдей болып көрінеді, бірақ маңызды айырмашылықтар бар, әсіресе түсіндіруде: MML – толыққанды субъективті Байес әдісі болып табылады: ол деректерді құру процесі туралы сенімді алдын ала тарату түрінде бейнелеу идеясынан басталады. MDL деректерді құру процесі туралы ешқандай болжам жасамайды. Екі әдіс те екі бөлімнен тұратын кодтарды қолданады: бірінші бөлік әрқашан оқуға тырысатын ақпаратты көрсетеді, мысалы, модель класының индексі (модельді таңдау) немесе параметрлердің мәндері (параметрлерді бағалау); екінші бөлік – бірінші бөліктегі ақпарат негізінде деректердің кодталуы. Әдістер арасындағы айырмашылық – МДЛ әдебиетінде қажетсіз параметрлерді кодтың екінші бөлігіне жылдыру ұсынылады, онда оларды деректермен бірге «бір бөлімді кодты» қолдану арқылы көрсетуге болады, бұл екі бөлімді кодқа қарағанда тиімдірек. MML-дің бастапқы сипаттамасында барлық параметрлер бірінші бөлікте кодталған, сондықтан барлық параметрлер оқытылады. MML аясында әрбір параметр нақтылықпен көрсетіледі, бұл оптималды жалпы хабарлама ұзындығына әкеледі: мысалы, егер кейбір параметр бастапқыда модель үшін «әлеуетті пайдалы» деп есептелсе, бірақ кейін деректерді түсіндіруге көмектесе алмайтыны анықталса (мұндай параметрге (Байес) алдын ала ықтималдығына сәйкес келетін код ұзындығы тағайындалады, яғни параметрдің пайдасыз екендігі анықталған). MDL аясында модельдерді салыстыруға қарағанда модель кластарын салыстыруға көбірек назар аударылады, және дәл осындай параметрді тікелей қамтитын модельдер класын басқа кластың қатыспаған нұсқасымен салыстыру арқылы осы мәселеге жақындау ыңғайлырақ. Айырмашылық – бірдей қорытындыға жету үшін қолданылатын механизмде.
MML is a fully subjective Bayesian approach: it starts from the idea that one represents one's beliefs about the data generating process in the form of a prior distribution. MDL avoids assumptions about the data generating process. Both methods make use of two part codes: the first part always represents the information that one is trying to learn, such as the index of a model class (model selection) or parameter values (parameter estimation); the second part is an encoding of the data given the information in the first part. The difference between the methods is that, in the MDL literature, it is advocated that unwanted parameters should be moved to the second part of the code, where they can be represented with the data by using a so called one part code, which is often more efficient than a two part code. In the original description of MML, all parameters are encoded in the first part, so all parameters are learned. Within the MML framework, each parameter is stated to exactly the precision which results in the optimal overall message length: the preceding example might arise if some parameter was originally considered "possibly useful" to a model but was subsequently found to be unable to help to explain the data (such a parameter will be assigned a code length corresponding to the (Bayesian) prior probability that the parameter would be found to be unhelpful). In the MDL framework, the focus is more on comparing model classes than models, and it is more natural to approach the same question by comparing the class of models that explicitly include such a parameter against some other class that doesn't. The difference lies in the machinery applied to reach the same conclusion.