ALGORITMI DI OTTIMIZZAZIONE PER LADDESTRAMENTO DI RETI NEURALI

ALGORITMI DI OTTIMIZZAZIONE PER L'ADDESTRAMENTO DI RETI NEURALI Marco Sciandrone Istituto di Analisi dei Sistemi ed Informatica “A. Ruberti” Consiglio Nazionale delle Ricerche, Roma

Statistica Fisica Ottimizzazione Biologia Psicologia Reti Neurali Matematica Informatica

ISTITUTO DI ANALISI DEI SISTEMI ED INFORMATICA q Ingegneria dei Sistemi q Informatica q Biomatematica q Ottimizzazione OPTIMIZATION LABORATORY FOR DATA MINING

Data mining: apprendimento automatico di informazioni, correlazioni e caratteristiche significative da basi di dati di grandi dimensioni relative a processi di varia natura Motivazione: esigenza di analizzare e comprendere fenomeni complessi descritti in modo esplicito solo parzialmente e informalmente da insiemi di dati

Problemi di Data Mining q Classificazione (pattern recognition) üSupervisionata üNon Supervisionata q Approssimazione (regressione)

Pattern: oggetto descritto da un insieme finito di attributi numerici (caratteristiche/features) Classificazione supervisionata: sono noti a priori dei pattern rappresentativi di diverse classi, si vuole determinare un modello matematico che, dato un generico pattern appartenente allo spazio delle caratteristiche, definisca la corrispondente classe di appartenenza

ESEMPIO DI CLASSIFICAZIONE SUPERVISIONATA Pattern: cifra manoscritta rappresentata da una matrice di pixel 10 Classi: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 classificazione 0 1 2 3 4 5 6 7 8 9

Pattern: oggetto descritto da un insieme finito di attributi numerici (caratteristiche/features) Classificazione non supervisionata: non sono noti a priori pattern rappresentativi delle classi; si vuole determinare il numero di classi di “similitudine” e un modello matematico che, dato un generico pattern appartenente allo spazio delle caratteristiche, definisca la corrispondente classe di appartenenza

ESEMPIO DI CLASSIFICAZIONE NON SUPERVISIONATA Pattern: paziente afflitto da una determinata patologia e descritto da M fattori clinici (caratteristiche) Dati disponibili: insieme di N pazienti Obiettivo: raggruppare i pazienti in K gruppi i cui elementi presentino caratteristiche “simili”

Pattern: oggetto descritto da un insieme finito di attributi numerici (caratteristiche/features) Approssimazione: sono note a priori delle coppie pattern/target rappresentative di un funzione incognita a valori reali; si vuole determinare una funzione analitica che approssimi la funzione incognita

ESEMPIO DI APPROSSIMAZIONE Pattern: vettore di N correnti che circolano in un dispositivo Target: valore del campo magnetico in un determinato punto interno al dispositivo Obiettivo: determinare una funzione analitica che approssimi il legame funzionale tra il campo magnetico e il valore delle correnti

Problemi di Data Mining q Classificazione (pattern recognition) ü Supervisionata ü Non Supervisionata q Approssimazione (regressione) Metodi • Clustering • Reti Neurali • Support Vector Machines • Programmazione Logica • Alberi di Decisione problemi “difficili” e/o di grandi dimensioni Necessità di metodi di Ottimizzazione efficienti

q Cos’è l’Ottimizzazione q Cos’è una rete neurale q Cos’è il processo di addestramento di una rete neurale q Quale è la connessione tra l’Ottimizzazione e le reti neurali Algoritmi di Ottimizzazione per l’addestramento di reti neurali

Formulazione di un problema di Ottimizzazione (spazio delle variabili) (insieme ammissibile) (funzione obiettivo) minimizza f sull’insieme ammissibile S

Spazio delle variabili Spazio X Infinito dimensionale Finito dimensionale Calcolo variazionale Controllo Ottimizzazione discreta Programmazione a variabili intere Ottimizzazione combinatoria a variabili 0/1 Ottimizzazione continua a variabili reali Programmazione mista

Cos’è una rete neurale da un punto di vista “fisico” Una rete neurale è un processore distribuito costituito dalla interconnessione di unità computazionali elementari (i neuroni) con due caratteristiche fondamentali: Ø la “conoscenza” è acquisita dall’ambiente attraverso un processo di “apprendimento” o di “addestramento” Ø la “conoscenza” è immagazzinata nei parametri della rete e, in particolare, nei “pesi” associati alle connessioni

Cos’è una rete neurale da un punto di vista “matematico” Data una funzione G: X Y, nota attraverso un insieme di coppie Una rete neurale è un particolare modello di approssimazione di G: dipendente (in generale in modo non lineare) da un vettore di parametri w Da un punto di vista “statistico”, una rete neurale è un particolare modello di classificazione o di regressione (non lineare)

IL NEURONE FORMALE funzione di attivazione pesi + soglia CLASSIFICATORE LINEARE

Una rete costituita da un singolo strato di neuroni formali è stata denominata PERCEPTRON (Rosenblatt, 1962) ed è stato proposto un algoritmo per il calcolo dei parametri (pesi e soglie) che fornisce una soluzione in un numero finito di iterazioni nell’ipotesi in cui i pattern di ingresso siano LINEARMENTE SEPARABILI Problema XOR 0, 1 1, 1 Non esiste un iperpiano di separazione 0, 0 1, 0 Limitazioni del Perceptron

Le limitazioni del Perceptron sono state messe in luce da Minsky e Papert (1969) L’effetto del libro di Minsky e Papert è stato quello di far decadere l’interesse inziale verso le reti neurali Era noto che le limitazioni del Perceptron potevano essere superate, in linea di principio, collegando fra loro in modo opportuno dei neuroni formali o effettuando delle trasformazioni non lineari degli ingressi Non erano tuttavia disponibili algoritmi di addestramento per il calcolo dei parametri

Una rinascita dell’interesse verso le reti neurali è stata in gran parte determinata dal lavoro di Rumelhart, Hinton e Williams (1986), che hanno proposto un algoritmo di addestramento per reti di neuroni formali, noto come metodo della backpropagation, essenzialmente basato sul metodo di ottimizzazione del gradiente Gli sviluppi futuri hanno portato allo sviluppo di un’area di ricerca interdisciplinare, in cui sono stati integrati contributi di vari settori

Classificazione delle architetture Reti feedforward: reti acicliche strutturate in diversi strati Ø Perceptron Ø Multilayer Perceptron (MLP) Ø Reti di funzioni di base radiali (RBF) Reti ricorsive: sono presenti cicli di controreazione; possono essere viste come sistemi dinamici

Rete feedforward a 1 strato Rete feedforward a 2 strati

ADDESTRAMENTO E GENERALIZZAZIONE L’addestramento (apprendimento) è il processo mediante il quale vengono determinati i parametri liberi di una rete neurale. Due paradigmi fondamentali: q addestramento supervisionato: i parametri della rete vengono determinati, sulla base di un insieme di addestramento (training set) di esempi, consistenti in coppie pattern/target, minimizzando una funzione d’errore q addestramento non supervisionato: la rete è dotata di capacità di auto-organizzazione

ADDESTRAMENTO E GENERALIZZAZIONE La capacità di generalizzazione di una rete addestrata è la capacità di fornire una risposta corretta a nuovi ingressi (non presentati nella fase di addestramento) LO SCOPO ULTIMO DELL’ADDESTRAMENTO È QUELLO DI COSTRUIRE UN MODELLO DEL PROCESSO CHE GENERA I DATI E NON DI INTERPOLARE I DATI DI TRAINING Addestramento supervisionato di reti feedforward

vettore di ingresso uscita strato nascosto Reti neurali feedforward MLP RBF Differiscono essenzialmente nella funzione di attivazione dei neuroni dello strato nascosto

Rete neurale feedforward 1 strato nascosto con M neuroni Rete MLP Rete RBF

Reti neurali feedforward MLP RBF Proprietà di approssimazione: sono approssimatori universali per le funzioni continue su insiemi compatti sistema statico I/O funzione “smooth”

FORMULAZIONE DEL PROBLEMA DI ADDESTRAMENTO Architettura rete neurale fissata: numero di strati e numero di neuroni vettore dei parametri incogniti Training set Problema di Ottimizzazione in cui è una misura dell’errore relativo al p-mo pattern. Usualmente uscita rete uscita desiderata

Le difficoltà computazionali dei problemi di addestramento sono tipicamente dovute a ü Forti “nonlinearità” della funzione di errore E(w) ü Presenza di zone “piatte” nella superficie della funzione di errore ü Possibile mal condizionamento della matrice Hessiana ü Elevata dimensionalità del vettore dei parametri w ü Elevato numero P di campioni di addestramento ü Presenza di minimi locali

Nella soluzione del problema di Ottimizzazione relativo all’addestramento di una rete neurale non è richiesta una grande precisione nella soluzione. Può invece essere preferibile interrompere il processo di minimizzazione prematuramente in base alla valutazione dell’errore ottenuto su un VALIDATION SET (EARLY STOPPING) perché: LO SCOPO ULTIMO DELL’ADDESTRAMENTO È QUELLO DI COSTRUIRE UN MODELLO DEL PROCESSO CHE GENERA I DATI E NON DI INTERPOLARE I DATI DI TRAINING

METODI DI OTTIMIZZAZIONE PER L’ADDESTRAMENTO § METODI BATCH i parametri vengono aggiornati dopo una presentazione di tutto il training set § METODI INCREMENTALI (ONLINE) i parametri vengono aggiornati in corrispondenza a ogni singolo pattern del training set

Uno dei primi algoritmi di addestramento è il metodo noto come metodo di backpropagation e si può identificare con il metodo del gradiente La versione batch è definita dall’iterazione dove è il gradiente di E in , e è il learning rate Il termine backpropagation è legato alla tecnica utilizzata per il calcolo del gradiente che si può ricondurre attualmente a una tecnica di differenziazione automatica

Il metodo di backpropagation presenta proprietà di convergenza globale sotto opportune ipotesi connesse alla scelta del learning rate (passo). Tale scelta può essere effettuata, ad esempio, mediante l’impiego di tecniche di ricerca unidimensionale Il metodo è di facile implementazione ma risulta poco efficiente in termini di rapidità di convergenza Per l’addestramento sono utilizzabili i metodi di Ottimizzazione non vincolata per problemi a grande dimensione

DIREZIONE DI RICERCA PASSO metodo del gradiente metodo di Newton

Metodi di Ottimizzazione per l’addestramento (alcuni dei quali sono presenti in vari pacchetti software per reti neurali) q Metodo del gradiente di Barzilai-Borwein q Metodi delle direzioni coniugate q Metodi Quasi-Newton a memoria limitata q Metodi tipo Gauss-Newton (troncati) q Metodi di Newton (troncati)

OTTIMIZZAZIONE RETI NEURALI “riscoperta” di vari metodi di Ottimizzazione nell’ambito delle reti neurali motivazioni per la definizione di nuovi metodi di Ottimizzazione (algoritmi incrementali, algoritmi di decomposizione)

APPLICAZIONI DI RETI NEURALI SVILUPPATE PRESSO L’ISTITUTO DI ANALISI DEI SISTEMI ED INFORMATICA q Approssimazione del campo magnetico per la progettazione di apparati di risonanza magnetica q Classificazione di segnali di elettrocardiogramma per l’individuazione di eventi ischemici q Classificazione di immagini per il riconoscimento di lettere postali q Approssimazione del flusso stradale per la previsione del traffico q Classificazione di connessioni telematiche per l’individuazione di attacchi al sistema informatico del nostro istituto