detect

Approximating KL Divergence 主要介绍使用MC方法来近似KL散度的技巧。 参考link KL公式： KL[q,p]=∑xq(x)log⁡q(x)p(x)=Ex∼qlog⁡q(x)p(x)KL[q,p]=\sum_xq(x)\log{\frac{q(x)}{p(x)}}=\mathbb{E}_{x\sim q}\log\frac{q(x)}{p(x)} KL[q,p]=x∑​q(x)logp(x)q(x)​=Ex∼q​logp(x)q(x)​ 前置假设： 我们知道概率密度计算，但是没法做遍历x做求和或者积分。 已知x1,x2,...∼qx_1,x_2,... \sim qx1​,x2​,...∼q，即从真实分布中采样的样本。 一般在机器里，我们的模型可以表示ppp的函数。 K1 一个straightforward的做法是直接使用k1=log⁡q(x)p(x)=−log⁡rk_1 =\log\frac{q(x)}{p(x)}=-\log rk1​=logp(x)q(x)​=−logr，这里定义r=p(x)q(x)r=\frac{p(x)}{q(x)}r=q ...

Iterated Denoising Energy Matching for Sampling from Boltzmann Densities Background 采样的核心挑战: 从高维复杂分布采样是困难的，主要面临以下挑战： 多模态问题（Multi-modality）：目标分布可能存在多个模式，导致简单的采样方法难以探索所有模式。 高能量屏障（Energy Barriers）：Boltzmann分布中的不同模态可能被高能量屏障隔开，使得采样器难以在模式之间跳跃。 计算开销大（Computational Cost）：传统的马尔可夫链蒙特卡洛（MCMC）方法，如Langevin Dynamics，需要大量迭代才能收敛。 现有方法 Langevin MCMC：使用梯度信息来更新样本，但在高能量屏障情况下可能难以有效探索。 Contrastive Divergence (CD)：用于训练能量基模型，但依赖于短步Langevin采样，可能导致模型分布与目标分布不匹配。 Score Matching：学习目标分布的对数梯度，但通常要求明确的概率密度函数。 方法 目标 主要 ...

Offline Transition Modeling via Contrastive Energy Learning 建议看之前的这篇 paper: Implicit Behavioral Cloning blog，这篇是基于IBC的一个延伸，IBC用implicit的能量模型做behavior cloning，这篇文章用explicit的能量模型做offline transition modeling，这两篇文章都是用contrastive learning来训练模型。 基本就是按照IBC论文，输入是(s,a)，以前的transition model是一个简单的神经网络，直接给出s’或者gaussian distribution，这里则用能量模型，是一个Eθ(s,a,s′)E_{\theta}(s,a,s')Eθ​(s,a,s′)，我们去做argmin，使得Eθ(s,a,s′)E_{\theta}(s,a,s')Eθ​(s,a,s′)在s’上最小，这样就能得到一个s’，这个s’就是我们的transition model的输出。 注意这里的argmin在实践中 ...

Implicit Behavioral Cloning Abstract: On robotic policy learning tasks we show that implicit behavioral cloning policies with energy-based models (EBM) often outperform common explicit (Mean Square Error, or Mixture Density) behavioral cloning policies, including on tasks with high-dimensional action spaces and visual image inputs. Method: 很多时候，我们直接用a^=Fθ(o)\hat{a} = F_\theta(o)a^=Fθ​(o)，作为agent动作的输出，这是常见的explicit behavioral cloning。 最近随着能量模型的火爆，我们可以用能量模型来做implicit behavioral cloning。这里的能量模型是指E ...

RLHF and DPO detect0530@gmail.com RLHF 我们回顾一下 Ziegler 等人提出的 RLHF 管道（后续工作）通常包括三个阶段： 1.监督微调（SFT）；2. 偏好采样和奖励学习；3. 强化学习优化。 (2)式就是把负对数似然函数作为loss function，用了点恒等变形如下： DPO 一个很好的 博客link 虽然大规模无监督语言模型（LMs）能够学习广泛的世界知识和一定的推理技能，但由于其训练过程完全无监督，要实现对其行为的精确控制是非常困难的。现有的方法通过收集模型生成的相对质量的人类标注，微调无监督LM以符合这些偏好，通常采用从人类反馈中进行的强化学习（RLHF）。然而，RLHF是一种复杂且通常不稳定的过程，首先需要拟合反映人类偏好的奖励模型，然后使用强化学习来微调无监督LM以最大化这一估计的奖励，同时避免与原始模型偏离过远。本文提出了一种新的奖励模型参数化方法，使得可以通过封闭形式提取相应的最优策略，从而仅需通过一个简单的分类损失来解决标准的RLHF问题。所提出的算法称为“直接偏好优化”（Direct Preference ...

diffusion blog 可以一步计算任何t时刻的正向传播 虽然逆向顺序没法算 但是：可以通过引入x0x_0x0​作为条件，然后用正向的一步表达式的反演又把x0x_0x0​从xt−1x_{t-1}xt−1​的表达式中去掉，达到从xtx^txt导出xt−1x^{t-1}xt−1的inverse diffusion process的效果 这里的ϵt\epsilon_tϵt​是由x0和xt计算出来的 同上，对于理解式子很重要，这里道理应该是given了xt。 只不过loss function里面反演的是epsilon 与score function的联系 带条件的，第一步对梯度关系进行贝叶斯很关键！ 首先，这里应该是完全等价的变形，但是这里第一部分的转换为什么可以换出$\epsilon_t$，用网络预测应该是given了$x^T$，不是简单的正态分布了？（疑似这里就是近似了一步，不是严格等价的？） DDIM has the same marginal noise distribution but deterministically maps noise back to ...

Score-function blog 速记 为什么score function是log p的梯度，某种意义上我们一般的定义是 以往我们都是参数化f，这里log刚好去掉指数。 同时log后让对p的大幅度变化不敏感。 加上高斯卷积导致这种效果： 高斯模糊效果，和直接线性添加高斯噪音不同 退火版朗之万采样法 By generalizing the number of noise scales to infinity , we obtain not only higher quality samples, but also, among others, exact log-likelihood computation, and controllable generation for inverse problem solving. 也许也可以看出score function的重要性 在 SDE 和 ODE 过程中，任意时刻 t 的数据分布是相同的。 同时ODE时，一个采样和一个噪音是双射的

Ensemble Bagging Bagging: 通过多次采样，然后平均结果，可以减小variance。 测试的时候把不同function的结果做平均（回归）或者voting（分类）。 做bagging的目的是为了减低模型的variance，所以一般是在模型比较复杂，很容易ovetfit时使用 nn其实没有那么容易overfit，decision tree其实容易overfit。 可以看到决策树考虑的东西很多。 树够深，就可以作出很复杂的决策。 可以用random forest来增强。 这里提到一些小技巧： bagging可以随机放回的抽取每个树的训练样本，也可以限制一些特征让每个树的形态不一样。 validation可以像图中一样tricky，可以不用设置显性的validation set。 random forest可以让结果更平滑，不是简单的增强，比如depth=5本来就拟合不好，那么random forest也拟合不好。但是可以让图片平滑，不像minecraft那样的方块世界。 Boosting 和bagging不同，bagging是用在很强的mode ...

Support Vector Machine (SVM) hinge loss function: max操作促使f(x)大于1，且不需要超过1太多，对比cross entropy： hinge loss及格就好： （也是ideal function的upper bound） SVM和logistic regression的区别就是定义的loss function不同，SVM的loss function是hinge loss function，logistic regression的loss function是cross entropy loss function。 脑洞一下，linear SVM可以用gradient descent来求解。 常见的做法： SVM特点 w参数实际是x的线性组合，所以SVM是线性分类器。这一点可以用lagrange multiplier或者梯度下降来证明。 ana_nan​是sparse的，大部分是0，也就是说SVM结果只和少数几个样本有关。 经过等价变化，和最后一步推广，产生kernel trick。 当 ...

Meta-Learning 关于参数 参数也是meta-learning的一个分支。 我们现在目标是学习F本身，包括网络架构，初始参数，学习率啥的。每一个东西都是meta learning的一个分支。 比如一个学习二元分类的meta learning： 然后就是强行train，如果不能微分，就上RL或者EA。 ML v.s. Meta-Learning difference: similarity: MAML找一个初始化参数 好的原因： 还可以学习optimizer Network Architecture Search Data Augmentation Sample Reweighting 应用 补充学习 self-supervised learning knowledge distillation 有文献指出，成绩好的teacher不见得是好的teacher。 引入meta learning，可以让teacher学习如何去teach。 Domain Adaptation 在 ...