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.

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.

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.

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.