Vorlesung Maschinelles Lernen

Transkript

1 Gliederung Vorlesung Maschinelles Lernen Strukturelle Modelle SVMstruct Katharina Morik Überblick Lernaufgaben 2 Primales Problem 3 Duales Problem 4 Optimierung der SVMstruct 5 Anwendungen von 35 2 von 35 Jenseits des Bag of Words Lernaufgabe Named Entity Recognition Bisher haben wir Texte als Anzahl und Häufigkeit von Wörtern repräsentiert. Damit haben wir die Struktur der Sprache ignoriert. Grammatik Koreferenz Eigennamen Semantische Relationen Es gibt eine ganze Reihe von Ansätzen des maschinellen Lernens, um (sprachliche) Strukturen zu behandeln. Wir besprechen hier nur die SVM bezogenen Ansätze. Wortfolgen, die sich auf ein individuelles Objekt beziehen, werden Named Entities (NE) genannt. Eigennamen, Ortsnamen, Firmennamen sind z.b. NEs. Gegeben Beispiele von Sätzen, in denen NEs annotiert sind, lerne die Entscheidungsfunktion, die für jedes Wort angibt, ob es zu einer bestimmten NE gehört, oder nicht. Beispiel: Johann Sebastian Bach publiziert im Henle Verlag München. Per Per Per 0 0 Org Org Place 3 von 35 4 von 35

2 Anwendungen Part of Speech Tagging Wenn wir in Dokumenten die NEs automatisch annotieren, können wir sie im Text markieren, so dass die Benutzer schneller interessante Stellen auffinden; können wir alle Sätze zu einer Person, Firma, einem Ort herausschreiben und so eine Zusammenfassung für einen Text erstellen; eine weitere Lernaufgabe aufsetzen: Relationen zwischen NEs lernen, z.b. Fusion von Firmen fusion(org, Org 2 ), Mitglied im Aufsichtsrat auf sicht(org, P er). Letztlich erstellen wir eine Datenbank aus einer Dokumentensammlung. Auf diese Datenbank wenden wir dann unsere Lernverfahren wie gehabt an. Unter Part-of-speech Tagging versteht man die Zuordnung von Wörtern eines Textes zu Wortarten (engl.: part of speech). Beispiel: Die Noten erscheinen bei Henle. Det N V Prep N 5 von 35 6 von 35 Full Parsing Lernaufgaben Part of Speech Tagging, Full Parsing Syntaxregeln produzieren einen Syntaxbaum für einen Satz, dessen Wurzel das Startsymbol S ist und die Blätter sind die Wortarten (präterminalen Knoten), denen dann die Wörter zugeordnet sind. Full Parsing erstellt Syntaxbäume für Sätze. Beispiel: S NP, V P VP V, NP NP Det, N NP P rep, N 7 von 35 Gegeben ist eine Menge von Sätzen. Part of Speech Tagging: Gegeben eine Menge von Sätzen, bei denen zu jedem Wort die Wortart angegeben ist, lerne eine Entscheidungsfunktion, die bei beliebigen Sätzen jedem Wort eine Wortart zuordnet. Full Parsing Learning: Gegeben eine Menge von Sätzen, eine Menge von Syntaxregeln und die Anzahl von Regelanwendungen für jeden Satz, lerne eine Entscheidungsfunktion, die beliebigen Sätzen die Anzahl von Regelanwendungen zuordnet (discriminant model). Zur Abgrenzung: Es sind gegeben eine Menge von syntaktisch korrekten Sätzen (positive Beispiele) und eine Menge von synaktisch falschen Sätzen (negative Sätze), bei denen jeweils die Wortarten annotiert sind, lerne Syntaxregeln, die gerade die syntaktisch korrekten Sätze produzieren (generative model). 8 von 35

3 Support Vector Machines für alles... SVMstruct Bisher haben wir zwei Lernaufgaben für Support Vector Machines betrachtet: Binäre Klassifikation SVM zur Regression Aktuelles Übungsblatt: Mehrklassen-Problem Jetzt: Lernen von Funktionen für beliebige Ausgaben (Bäume, Graphen) mit Hilfe der SVMstruct. Strukturelle Modelle Sei X die Menge der Beispiele. Ist die Ausgabe-Variable Y nicht ein Skalar, sondern eine Struktur (z.b. eine Folge, ein Baum, ein Graph), so heißt das Modell strukturelles Modell. f : X Y Large Margin Methods for Structured and Interdependent Output Variables, I. Tsochantaridis, T. Joachims, T. Hofmann, Y. Altun, J. of Machine Learning Research, Vol. 6, p , 2005 Training Linear SVMs in Linear Time, Thorsten Joachims, Proc. KDD von 35 0 von 35 Lernaufgabe der SVMstruct SVMstruct Lernaufgabe SVMstruct Sei Y = Y... Y q eine Menge und y Y eine Konfiguration in Y und T = {( x, y ),..., ( x n, y n )} X Y eine Menge von Beobachtungen. Ziel: Finde eine Funktion Es sei eine β-parametrisierte Schar von Funktionen F β : X Y R gegeben, die die Ähnlichkeit zwischen x und y ausdrücken. Gesucht ist nun ein β derart, daß so daß F : X Y R f( x, β) = arg max F ( x, y; β) y Y f(x, β ) = arg max F β ( x, y) y Y jeweils zu einem x, das am besten passende y Y liefert. von 35 2 von 35

4 Merkmalsabbildung am Beispiel der ParseTrees Primales Problem β Annahme: F ( x, y; β)= β, Ψ( x, y) Ψ( x, y) = Wir lernen also über input-/output-kombinationen die Ranking-Funktion F : X Y R. S NP, VP NP Det, N NP Prep, N NP Adj, N... Prep in Prep bei Wie bei der SVM mit einfacher Ausgabevariable y, muss β bestimmt werden: min β 2 β 2 () Aber was sind hier die Nebenbedingungen? Grundidee: Alle β, Ψ( x, y i ) erhalten ein Gewicht, so dass eine Rangfolge (ranking) entsteht. Der Abstand zwischen der besten und der zweitbesten Lösung soll maximal sein! Obwohl wir auf diese Weise n Y n Nebenbedingungen erhalten, interessieren uns eigentlich immer nur die erstund zweitbesten y und y i. 3 von 35 4 von 35 Primales Problem Nebenbedingungen Primales Problem SVMstruct Für jedes der n Beispiele x i mit jedem der Y möglichen y i müssen wir feststellen, wie groß der Abstand zu allen anderen Ψ( x i, y) ist. Diesen Abstand notieren wir: δψ i ( y) Ψ( x i, y i ) Ψ( x i, y) Wir erhalten n Y n lineare Nebenbedingungen für das primale Problem: i, y Y \ y i : β, δψ i ( y) (2) Bei linear trennbaren Daten ist das primale Optimierungsproblem der SVMstruct: Primales Problem SVM SV M 0 : min β 2 β 2 () unter den Bedingungen i, y Y \ y i : β, δψ i ( y) (2) 5 von 35 6 von 35

5 SVMstruct mit Ausnahmen slack rescaling SVMstruct mit Ausnahmen margin rescaling Ein Strafterm C für alle Beispiele x, bei denen die Nebenbedingungen verletzt sind, und die Relaxierung durch ξ führt zu dem Minimierungsproblem: Slack Rescaling SVM SV M : min β,ξ 2 β 2 + C N N i= ξ i (3) unter den Bedingungen i, y Y \ y i : β, δψ i ( y) ξ i, ξ i 0 (4) Verletzungen der Nebenbedingungen können auch durch einen quadratischen Term bestraft werden. Margin rescaling SVM SV M 2 : min β,ξ 2 β 2 + C 2N N i= ξ2 i (5) unter den Bedingungen i, y Y \ y i : β, δψ i ( y) ξ i, ξ i 0 (6) C ist linear in den ξ i. 7 von 35 8 von 35 Empirisches Risiko und Slack Rescaling Auch bei strukturellen Modellen geht es darum, den Fehler zu minimieren. Der erwartete Fehler bei irgend einer Verlustfunktion ist für eine Menge von Beispielen T R T (f) = ( y i,f( x i )) (7) 2 i= Um die Verletzung der Nebenbedingung für ein y y i bei großem Verlust ( y i, y) stärker zu bestrafen als bei geringerem, passen wir die Nebenbedingungen an: SV M : min β,ξ 2 β 2 + C N N i= ξ i i, y Y \ y i : β, δψ i ( y) SV M 2 : min β,ξ 2 β 2 + C 2N N i= ξ2 i i, y Y \ y i : β, δψ i ( y) ξ i ( y i, y) (8) ξ i ( yi, y) (9) Obere Schranke des empirischen Fehlers Satz Seien ξi ( β) die optimalen Schlupfvariablen für ein gegebenes β, dann ist R T ( β) ξi N i= 9 von von 35

6 Obere Schranke des empirischen Fehlers Beweis: Wir wissen: ξ i = max { { [ 0, max ( y i, y) ]} } β, δψ i ( y) y y i Hinführung zum dualen Problem Wir wollen auch hier das duale Problem formulieren. Bisher war es: L D ( α )= α i 2 i= i= j= y i y j α i α j x i, x j Sei y = f( x i, β), es ergeben sich zwei Fälle. Fall: y = y : Es ist ( y i,f( x i, β)) = 0 ξi 2. Fall: y y : y i, δψ i ( y ) 0 ξ i ( y i, y) ( y i, y) ξi Da die Schranke für jedes Beispiel gilt, gilt sie auch für den Durchschnitt. 2 von 35 Jetzt sind y i, y j nicht mehr einfach Werte, sondern Strukturen. Für jedes der N Beispiele x i mit jedem der Y möglichen y i müssen wir feststellen, wie groß der Abstand zu allen anderen Ψ( x i, y) ist. Wir haben also nicht mehr ein α je Beispiel in X, sondern ein α für jedes Paar in X Y. Erst sehen wir uns den Raum an, in dem optimiert wird, dann die α. 22 von 35 Raum, in dem SVMstruct optimiert Matrix J Bei der klassischen SVM haben wir beim dualen Problem für i, j =,..., N das Skalarprodukt x i, x j gerechnet. Jetzt müssen wir für i, j =,..., N rechnen J (i y)(j y ) δψ i( y), δψ j ( y ). x... x j... x N x x i δψ i ( y), δψ j ( y ) x N In der N N Matrix sind die Einträge δψ i ( y), δψ j ( y ). Wir erinnern uns: δψ i ( y) Ψ( x i, y i ) Ψ( x i, y) Statt einer einfachen Matrix haben wir einen Tensor, d.h. der Eintrag in die N N Matrix ist eine Y Y Matrix J: y... y Y y... Ψ( x, y ) Ψ( x, y Y ) Ψ( x, y Y ) Ψ( x, y )... y Y J ist eine Kernfunktion über X Y : J (i y)(j y ) = δψ i( y), δψ j ( y ) 23 von von 35

7 α i y und optimales β Statt α i für x i, haben wir α ij mit j =,..., Y Das optimale β ist ˆ β = = i= i= Y α i... α im y y i α (i y) (Ψ( x i, y i ) Ψ( x i, y)) Y y y i α (i y) δψ i ( y) (0) Duales Problem der SVMstruct SVMstruct bei linear separierbaren Beispielen: L D (α) = α i y α 2 j, y J (i y)(jy ) + α i y () i, y y i j, y y i i, y y i Für die Slack Rescaling SV M mit Ausnahmen muss zusätzlich gelten: α i y C, i =,..., N N y y i Für die Margin Rescaling SV M 2 mit Ausnahmen wird J (i y)(jy unter Verwendung der Indikatorfunktion I(a, b) = ) falls a = b, sonst 0 zu: δψ i ( y), δψ j ( y ) + I(i, j) N C 25 von 35 Immer soll α maximiert werden. 26 von 35 Die SVMstruct stellt ein schwieriges Optimierungsproblem! SVMstruct: Algorithmus zum Optimieren Idee Bei N Y N Nebenbedingungen und vermutlich sehr großem Y ist normale Optimierung durch quadratische Programmierung nicht möglich. Es sollen nun deutlich weniger Nebenbedingungen wirklich bearbeitet werden. Beobachtung: Es gibt immer eine Teilmenge von Nebenbedingungen, so dass die damit errechnete Lösung auch alle Nebenbedingungen erfüllt mit einer Ungenauigkeit von nur ɛ. Für jedes Beispiel x i gibt es einen working set S i, in dem die verletzten Nebenbedingungen gespeichert sind. Zunächst sind S i leer, das Problem unbeschränkt. Für jedes Beispiel x i wird die am schlimmsten verletzte Nebenbedingung bzgl. y i festgestellt und S i hinzugefügt. Das Problem wird zunehmend stärker beschränkt. Optimiere α bezüglich aller working sets gemeinsam oder nur für ein S i, wobei die α j y mit j i eingefroren werden. Wenn kein S i mehr verändert wurde, STOP. 27 von von 35

8 SVMstruct: Algorithmus zum Optimieren Input: T = {( x, y ),..., ( x N, y N )}, C, ɛ 2 S i := {} für alle i =,..., N 3 Solange ein S i sich in der Iteration ändert: 4 for i =,..., N do δψ i ( y), β SV M 0 5 Kosten: H( y) ( δψ i ( y), β ) ( y i, y) SV M (s.8) ( δψ i ( y), β ) ( y i, y) SV M 2 (s.9) wobei β j y S j α jy δψ j ( y ) 6 y := arg max y Y H( y) schwieriger Schritt! 7 ξ i := max{0, max y Si H( y)} 8 if H( y ) > ξ i + ɛ then 9 S i := S i { y } 0 α S :=optimiere duales Problem für S = S i 29 von 35 Full Parsing Learning mit SVMstruct Probabilistische kontextfreie Grammatik: Regeln n l [C i C j,c k ], β l. Dabei gibt β l die logarithmierte Wahrscheinlichkeit dafür an, dass ein Knoten C i mit Regel n l expandiert wird. Lernaufgabe: Gegeben Paare ( x, y), wobei x = x,..., x p ein Satz (Kette von Wortarten) ist und y ein Syntaxbaum, lerne X Y, wobei nur in den Beispielen vorkommende Regeln verwendet werden. Formuliert als Maximierungsproblem: h( x) = arg max P ( y x) =argmax y Y y Y n l rules( y) rules( y) ist die Menge der Regeln, die in y verwendet sind. β l 30 von 35 Full Parsing Learning mit SVMstruct Experiment Es ergibt sich: β, Ψ( x, y) = n l rules( y) β l Den schwierigen Schritt y := argmax y Y β, Ψ( x, y) löst nun ein Parser, der sowohl den besten als auch den zweitbesten Syntaxbaum für x liefert. Somit können die Beispiele bei der Optimierung (Schritt 6) effizient bearbeitet werden. Das Lernergebnis ordnet bisher nicht gesehenen Sätzen x die richtigen Syntaxbäume zu. Dabei erweitert es die Fähigkeit der Grammatik nicht die Menge der Regeln. Trainingsmenge: 4098 Sätze mit maximal p = 0 Wörtern (dargestellt durch ihre Wortart) Testmenge: 63 Sätze mit maximal p = 0 Maximum likelihood zum Lernen ergibt: 86, 8% precision, 85, 2% recall, 86%F measure SV M 2 mit slack rescaling ergibt: 88, 9% precision, 88, % recall, 88, 5%F measure Der Unterschied des F-measures ist signifikant. SV M 2 hat in 2 Iterationen insgesamt 8043 Nebenbedingungen behandelt. Das Lernen dauerte insgesamt 3,4 Stunden, wovon die SV M 2 0, 5% verwendete. 3 von von 35

9 Andere Anwendungen der SVMstruct Was wissen Sie jetzt? Wenn man die SVMstruct anwenden will, muss man die Merkmalsabbildung Ψ( x, y) definieren und ggf. implementieren die Verlustfunktion implementieren ( y i, y) die Selektion verletzter Bedingungen (Schritt 6 des Algorithmus ) implementieren. Klassifikation mit Taxonomien Named Entity Recognition Mehrklassen-Klassifikation... Sie wissen, was strukturelle Modelle sind: Y kann mehr sein als nur ein Wert. Ψ( x, y) erweitert die üblichen Beispiele so, dass nun wieder ein Skalarprodukt β, Ψ( x, y) gerechnet werden kann. Das Problem sind die N Y N Nebenbedingungen, weil wir jedes Beispiel mit jedem anderen nicht nur bezüglich eines y, sondern bezüglich der Y möglichen y vergleichen müssen. Dabei wird dieser Vergleich als joint kernel aufgefasst: δψ i ( y), δψ j ( y ). Es gibt noch viele andere Arbeiten zu string kernels, tree kernels, die Sie hier nicht kennen gelernt haben. 33 von von 35 Sie wissen noch mehr! Der Ansatz von Joachims besteht darin, dass als margin der Abstand zwischen der besten und der zweitbesten Lösung maximiert wird, dass nur wenige der Nebenbedingungen wirklich behandelt werden müssen, dass beliebige Verlustfunktionen in den Nebenbedingungen und in der Auswahl der am stärksten verletzten Nebenbedingung verwendet werden können. 35 von 35