[부스트캠프 AI Tech] U-stage. 3-4

느린 개발자·2021년 2월 4일

부스트캠프 AI Tech

목록 보기

15/35

📌 DL Basics

📌 RNN(Recurrent Neural Networks)

📄 Sequential Model

Sequence 데이터 는 음성, 자연어(Natural Language) , 주가 등 연속적인(Sequential) 시계열(Time Series) 데이터다.. 따라서, 과거 정보 또는 앞 뒤 맥락 없이 미래를 예측하는 것이 어렵고, i.i.d(Independent Identically Distribution) 를 잘 위배하기 때문에 순서가 바뀌거나 과거 정보에 손실이 발생하면 데이터의 확률분포도 바뀌게 된다. 그렇다면 어떻게 과거의 정보를 활용하여 앞으로 발생할 데이터의 확률분포를 알 수 있을까?

우리가 다루고자 하는 결합확률분포 $P(X_1,X_2,\dots,X_t)$ 는 다음과 같이 조건부 확률로 표현할 수 있다.

\begin{aligned} P(X_1,X_2,\dots,X_t)&=P(X_t|X_1,\dots,X_{t-1})P(X_1,\dots,X_{t-1})\\ &=P(X_t|X_1,\dots,X_{t-1})P(X_{t-1}|X_1,\dots,X_{t-2})P(X_1,\dots,X_{t-2})\\ &=\dots\\ &=\prod^t_{s=1}P(X_s|X_{s-1},\dots,X_1) \end{aligned}

즉, $X_t \sim P(X_t|X_{t-1},\dots,X_1)$ 로 과거의 정보를 담은 확률분포를 표현할 수 있다.

✏️ Naive Squence Model

가장 간단한 sequential model 은 이 전의 모든 정보를 담는 방법일 것이다. 즉,

\begin{aligned} &X_t \sim P(X_t|X_{t-1},\dots,X_1)\\& X_{t+1} \sim P(X_{t+1}|X_t,\dots,X_1) \end{aligned}

로 현 시점에서 과거의 모든 정보를 담는 모델을 정의할 수 있다.

✏️ Autogressive Squence Model

Naive Sequence Model 에서는 현 시점에서 과거의 모든 정보를 담았다. 그러나 어떤 경우엔 과거의 모든 정보를 활용할 필요가 없을 수도 있다. 또한 각 시점 마다 가변적인 길이의 데이터를 다루게 되므로 고정된 길이의 데이터를 다루는 문제로 재정의할 필요가 있다.즉,

\begin{aligned} &X_t \sim P(X_t|X_{t-1},\dots,X_{t-\tau})\\ &X_{t+1} \sim P(X_{t+1}|X_t,\dots,X_{t-\tau+1}) \end{aligned}

로 고정된 길이 $\tau$ 만큼의 정보를 담는 모델을 정의할 수 있다.

✏️ Markov Squence Model(First-order Autogressive Model)

Autogressive Sequece Model의 가장 간단한 모델은 "현재의 정보는 바로 이 전 단계의 과거의 정보에만 영향을 받는것이다" 라는 가정하에 정의하는 것이다. 즉,

P(X_1,\dots,X_t)=P(X_t|X_{t-1})P(X_{t-1}|X_{t-2})\cdots P(X_2|X_1)P(X_1)=\prod^t_{s=1}P(X_s|X_{s-1})

로 고정된 길이 $\tau=1$ 만큼의 정보를 담는 모델을 정의할 수 있다. 그러나 이것의 명확한 문제점은 현 시점의 정보가 단순히 바로 이전 단계의 과거 정보만을 가지고 결정된다는 가정에 있다.

✏️ Latent Autogressive Squence Model

Autogressive Sequence Model 에서 고정된 길이 $\tau$ 를 활용하였지만, 문제에 따라 결정해야 할 하나의 변수 이다. 즉, 어떤 경우엔 모든 과거의 정보가 다 필요할 수도, 몇 개의 정보만 필요할 수도 있다. 그렇다면 고정된 길이의 데이터를 다루면서 유의미한 과거의 정보를 담는 방법은 없을까?
만약 다음과 같이,

\begin{aligned} &X_t \sim P(X_t|X_{t-1},H_t)\\ &X_{t+1} \sim P(X_{t+1}|X_t,H_{t+1})\\ &H_t=Net_\theta(H_{t-1},X_{t-1}) \end{aligned}

잠재변수(Latent Variable) $H_t$ 를 이용하여 정의한다면, 고정된 길이의 데이터를 다루면서 유의미한 과거의 정보를 담는 모델을 정의할 수 있다. 나아가 $H_t$ 를 신경망을 통해 반복해서 사용하여 sequence data의 패턴을 학습하는 모델이 RNN(Recurrent Neural Networks) 이다.

📄 Vanila RNN

✏️ Architecture

\begin{aligned} \\ &O^{(t)}=H^{(t)}V+b^{(v)}\\ &H^{(t)}=\sigma(H^{(t-1)},X^{(t)})=\sigma(X^{(t)}U+H^{(t-1)}W+b^{(u)}) \end{aligned}

기본적인 RNN 구조는 과거의 정보 $H^{(t-1)}$ 과 현재의 정보 $X^{(t)}$ 를 반영하여 activation function $\sigma$ (RNN에서는 주로 tanh) 을 지나 $H^{(t)}$ 를 얻은 후 출력 $O^{(t)}$ 를 얻는다. 이 과정을 $t+1$ 시점에서도 반복하여 학습을 진행하게 된다.
주목할 것은 가중치 $U,V,W$ 는 shared weights 로 모든 시점에서 공유하게 된다. shared weights 는 두가지의 이점이 있는데,

학습에 필요한 가중치의 수를 줄인다.
데이터별 시간의 길이에 유연하게 반응할 수 있다.

RNN이 가지는 가장 큰 이점은 input과 output의 형태에 따라 다음과 같이 다양한 구조로 RNN을 구성할 수 있다는 것이다.

✏️ BPTT(BackPropagation Through Time)

일반적으로RNN은 sequential data를 다루기 때문에 파라미터를 업데이트 하기 위해서는 이전에 사용하여 backpropagation 과는 조금은 다른 업데이트 방식이 필요하다. 이것을 BPTT(BackPropagation Through Time) 이라 부르며, 그 과정을 many-to-many 구조를 기준으로 살펴 보도록 한다.

업데이트 해야 할 가중치는 다음과 같다.

구조를 간단하게 살펴보기 위해서 $t=3$ 인 상황을 생각해보면(그림을 간단하게 하기 위해 $t=1$ , $t=2$ 은 잠시 무시한다 ),

$V$ 는 다음과 같이 간단하게 현 시점에 dependent 하게 업데이트 가능하다.

\frac{\partial L_3}{\partial V}=\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial V}

이와 동일하게 $\frac{\partial L_2}{\partial V}$ , $\frac{\partial L_1}{\partial V}$ 를 구할 수 있고 $\frac{\partial L}{\partial V}$ 는 다음과 같다.

\frac{\partial L}{\partial V}=\sum^t_{i=1}\frac{\partial L_i}{\partial V}

주목할것은 과거 정보의 영향을 받는 $W$ 와 $U$ 의 업데이트이다. 우선 $W$ 를 살펴보면,

\frac{\partial L_3}{\partial W}=\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial h_3}\frac{\partial h_3}{\partial W}

로 업데이트 가능할 것 같지만, $h_3$ 는 $h_2$ , $h_1$ 의 영향을 받기 때문에 이 전 정보들을 고려해줘야 한다. 즉,

\frac{\partial L_3}{\partial W}=\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial h_3}\frac{\partial h_3}{\partial W}+\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial h_3}\frac{\partial h_3}{\partial h_2}\frac{\partial h_2}{\partial W}+\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial h_3}\frac{\partial h_3}{\partial h_2}\frac{\partial h_2}{\partial h_1}\frac{\partial h_1}{\partial W}

이다. 이와 동일하게 $\frac{\partial L_2}{\partial W}$ , $\frac{\partial L_1}{\partial W}$ 을 구할 수 있고 $\frac{\partial L}{\partial W}$ 는 다음과 같다.

\frac{\partial L}{\partial W}=\sum^t_{i=1}\frac{\partial L_i}{\partial W}

$U$ 역시 $W$ 와 동일하게 과거 정보의 영향을 고려해야 하므로 다음과 같이 업데이트 한다.

\frac{\partial L_3}{\partial U}=\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial h_3}\frac{\partial h_3}{\partial U}+\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial h_3}\frac{\partial h_3}{\partial h_2}\frac{\partial h_2}{\partial U}+\frac{\partial L_3}{\partial o_3}\frac{\partial o_3}{\partial h_3}\frac{\partial h_3}{\partial h_2}\frac{\partial h_2}{\partial h_1}\frac{\partial h_1}{\partial U}\\ \frac{\partial L}{\partial U}=\sum^t_{i=1}\frac{\partial L_i}{\partial U}

수식으로 BPTT 를 바라보니 명확한 문제점이 보이는데, time step 이 길어질수록 멀리 있는 과거의 정보가 gradient vanishing 문제로(다음 그림을 참고) 학습내용에 기여하지 않게되고 장기의존성 문제(The problems of long-term dependencies) 를 해결하기 어렵다 는것이다.(혹자는 "tanh 대신 ReLU 함수를 사용하면 되지 않을까?" 하고 생각할 수 있겠지만, gradient exploding 문제가 발생할 수 있다.)

그래서 위의 문제를 개선하기 위해 전체 sequence를 일정 간격(batch 개념과 비슷)으로 잘라서(Truncated sequence) loss를 구한뒤 그에 대한 gradient를 구하는 방법이 있다.

📄 LSTM(Long Short-Term Memory)

앞서 언급했듯이, RNN 은 멀리 있는 과거 정보가 gradient vanshing 문제로 학습에 기여하지 못하는 문제가 생긴다. 이 문제를 극복하기 위해 고안된 것이 LSTM(Long Short-Term Memory) 이고 RNN의 hidden state에 cell state를 추가한 구조이다.

✏️ Architecture

✅ Forget Gate

Forget gate 는 과거의 정보를 얼마나 반영할지를 결정하는 게이트 이다. 이전 hidden state $h_{t-1}$ 과 현 시점 입력 $x_t$ 를 받아 sigmoid를 취해준 값이다. 즉, (0,1) 의 값을 갖는 sigmoid 가 과거의 정보를 얼마나 반영할지를 결정하며, 1에 가까울수록 과거 정보를 많이 / 0에 가까울수록 과거 정보를 적게 반영하게 된다.

✅ Input Gate & Candidate

Input gate 는 현시점의 정보를 셀에 얼만큼 반영할지를 결정하는 $i_t$ 와 현 시점의 정보를 계산하는 $\tilde{C_t}$ 로 이루어져 있다. 즉, 현 시점이 실제 갖고 있는 정보가 얼마나 중요한지를 반영한다.

✅ Update Cell

앞서 계산한 forget gate 와 input gate 의 값을 반영하여 cell state를 업데이트 한다. 즉, 과거의 정보와 현시점의 정보의 중요도를 반영하여 업데이트 한다.

✅ Output Gate

마지막으로 output gate 는 업데이트 된 cell state(과거의 중요한 모든 정보)를 hidden state(다음 time step에 당장 필요한 정보) 로 출력할 양을 결정한다.

✅ Uninterrupted Gradient Flow

Cell state $C_t=f_t\ast c_t+i_t\ast \tilde{c_t}$ 는 forget gate $f_t$ ,input gate $i_t$ 로 정보 반영 비율을 +연산을 통해 계산된다. 즉, backpropagation 연산시 + 은 gradient를 그대로 전파해주어 gradient vanishing/exploding 문제를 해결한다.

📄 GRU(Gated Recurrent Unit)

GRU 는 LSTM 과 유사하지만 cell state 없이 더 간략한 구조를 띄고 있다. LSTM 을 제대로 이해했다면 GRU 역시 쉽게 이해할 수 있다.

<참고>
GRU 는 뉴욕대의 교수로 계시는 한국인 조경현 교수님께서 2014년에 발표한 논문에 처음 소개 되었다.

✏️ Architecture

LSTM 과의 차이점은 cell state $C_t$ 의 역할을 $H_t$ 가 같이 수행하고 있다는 점이다. 즉, $C_t$ 의 forget gate $f_t$ 와 input gate $i_t$ 의 역할을 $z_t$ 의 가중평균으로 대체하였다. 따라서, GRU는 두개의 독립적인 gate를 한 개의 gate로 줄였다는 점에서 계산량과 메모리에 있어 이점이 있다.

✅ Reset Gate

Reset gate 는 과거의 정보를 적당히 리셋시키는 게이트로 새로운 입력을 이전 hidden state와 어떻게 합칠지를 결정해준다.

✅ Update Gate

Update get는 LSTM의 forget gate+input gate 로 과거와 현재의 정보를 얼만큼 반영할지 결정하는 게이트 이다. sigmoid로 출력된 $z_t$ 는 현시점 정보의 중요도하고 $1-z_t$ 는 현 시점 정보의 중요도에 따른 과거 정보의 중요도를 결정한다.