机器学习笔记之优化算法(十七)梯度下降法在强凸函数的收敛性分析

引言

上一节介绍并证明了：梯度下降法在强凸函数上的收敛速度满足$\mathcal{Q}$-线性收敛。
本节将介绍：在更强的条件下：函数$f(\cdot )$在其定义域内二阶可微，梯度下降法在$f(\cdot )$上的收敛速度存在什么样的结论。

回顾：梯度下降法在强凸函数的收敛性

关于梯度下降法在$m$-强凸函数上的收敛性定理表示如下：
条件：

• 函数$f(\cdot )$向下有界，在其定义域内可微，并且$f(\cdot )$是$m$-强凸函数；
• 关于$f(\cdot )$的梯度函数$\nabla f(\cdot )$满足$\mathcal{L}$-利普希兹连续；
• 梯度下降法迭代过程中，其步长${\alpha }_k$存在明确的约束范围：$\begin{array}{r}{\alpha }_k\in \left(0,\frac{2}{\mathcal{L}+m}\right)\end{array}$；

结论：
数值解序列 { x k } k = 0 ∞ \{x_k\}_{k=0}^{\infty} {xk​}k=0∞​以$\mathcal{Q}$-线性收敛的收敛速度收敛于最优数值解$x^{\ast }$。

根据$\mathcal{Q}$-线性收敛的定义，关于结论的证明可转化为下述公式成立：
$$\begin{array}{r}\frac{||x_{k+1}-x^{\ast }||}{||x_k-x^{\ast }||}\le a\in (0,1)k=1,2,3,\cdots \end{array}$$
其证明过程见上一节——梯度下降法在强凸函数上的收敛性证明，这里不再赘述。最终我们得证：
$$\begin{array}{r}\frac{||x_k-\alpha \cdot \nabla f(x_k)-x^{\ast }||}{||x_k-x^{\ast }||}\le \sqrt{1-\alpha \cdot \frac{2\mathcal{L}m}{\mathcal{L}+m}}\end{array}$$
并有：$\begin{array}{r}\sqrt{1-\alpha \cdot \frac{2\mathcal{L}m}{\mathcal{L}+m}}\end{array}\in (0,1)$恒成立。

二阶可微——梯度下降法在强凸函数的收敛性推论

• 如果函数$f(\cdot )$向下有界，并且$f(\cdot )$是$m$-强凸函数，在其定义域内二阶可微。在凸函数$\text{VS}$强凸函数中介绍的：根据强凸函数的二阶条件，$f(\cdot )$对应的$\text{Hessian Matrix}\Rightarrow {\nabla }^{2}f(\cdot )$存在，并且必然有：
  其中$\mathcal{I}$是单位矩阵。
  $${\nabla }^{2}f(\cdot )\succcurlyeq m\cdot \mathcal{I}$$
  也就是说：${\nabla }^{2}f(\cdot )-m\cdot \mathcal{I}\succcurlyeq 0$，即：矩阵${\nabla }^{2}f(\cdot )-m\cdot \mathcal{I}$是半正定矩阵。

• 继续观察条件：如果梯度函数$\nabla f(\cdot )$满足$\mathcal{L}$-利普希兹连续，并且$f(\cdot )$二阶可微，则有：
  使用拉格朗日中值定理进行表示：$\begin{array}{r}\forall x,y\in {\mathbb{R}}^n,\exists \xi \in (x,y)\Rightarrow ||{\nabla }^{2}f(\xi )||=\frac{||\nabla f(x)-\nabla f(y)||}{||x-y||}\end{array}$
  $$||{\nabla }^{2}f(\cdot )||\le \mathcal{L}$$
  将范数符号去掉，可表示为：
  $$-\mathcal{L}\cdot \mathcal{I}\preccurlyeq {\nabla }^{2}f(\cdot )\preccurlyeq \mathcal{L}\cdot \mathcal{I}$$
  但又由于$f(\cdot )$是$m$-强凸函数的性质，因而${\nabla }^{2}f(\cdot )$存在更强的下界：$m\cdot \mathcal{I}\ge -\mathcal{L}\cdot \mathcal{I}$，因而只需认知它的上界即可：
  $${\nabla }^{2}f(\cdot )\preccurlyeq \mathcal{L}\cdot \mathcal{I}$$
  也就是说：$\mathcal{L}\cdot \mathcal{I}-{\nabla }^{2}f(\cdot )\succcurlyeq 0$，即：矩阵$\mathcal{L}\cdot \mathcal{I}-{\nabla }^{2}f(\cdot )$是半正定矩阵。
  将上述两个结论合并，有：
  $$m\cdot \mathcal{I}\preccurlyeq {\nabla }^{2}f(\cdot )\preccurlyeq \mathcal{L}\cdot \mathcal{I}$$

继续观察${\nabla }^{2}f(\cdot )$，由于${\nabla }^{2}f(\cdot )\succcurlyeq m\cdot \mathcal{I}$且$m>0$，因此${\nabla }^{2}f(\cdot )$自身不仅是一个实对称矩阵，并且还是一个正定矩阵。因而可以对${\nabla }^{2}f(\cdot )$进行特征值分解：
其中${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_n$表示$\text{Hessian Matrix}:[{\nabla }^{2}f(\cdot ){]}_{n\times n}$的$n$个特征值。而$n$表示特征空间维数，与$x,y\in {\mathbb{R}}^n$是同一个$n$。
$${\nabla }^{2}f(\cdot )=\mathcal{Q}\Lambda {\mathcal{Q}}^{-1}=\mathcal{Q}\left(\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right){\mathcal{Q}}^{-1}$$
假设对角矩阵$\Lambda$中的特征值按照大到小的顺序排列：
在降维——最大投影方差角度中对特征值的大小关系进行描述过。可以将${\lambda }_1$对应的特征向量视作第一主成分,后续以此类推。
$${\lambda }_{max}={\lambda }_1\ge {\lambda }_2\ge {\lambda }_3\ge \cdots \ge {\lambda }_n={\lambda }_{min}$$

• 观察矩阵：${\nabla }^{2}f(\cdot )-m\cdot \mathcal{I}$，将特征值分解结果代入，有：
  由于单位矩阵$\mathcal{I}=\mathcal{Q}{\mathcal{Q}}^{-1}$,因此$m\cdot \mathcal{I}=\mathcal{Q}m{\mathcal{Q}}^{-1}$
  $${\nabla }^{2}f(\cdot )-m\cdot \mathcal{I}=\mathcal{Q}\Lambda {\mathcal{Q}}^{-1}-\mathcal{Q}m{\mathcal{Q}}^{-1}=\mathcal{Q}\left(\begin{array}{cccc}{\lambda }_1-m& & & \\ & {\lambda }_2-m& & \\ & & \ddots & \\ & & & {\lambda }_n-m\end{array}\right){\mathcal{Q}}^{-1}$$
  由于矩阵${\nabla }^{2}f(\cdot )-m\cdot \mathcal{I}$是半正定矩阵，因而必然有：
  $${\lambda }_i-m\ge 0i=1,2,\cdots ,n$$
  也就是说：${\lambda }_{min}-m\ge 0\Rightarrow {\lambda }_{min}\ge m$
• 同理，观察矩阵：$\mathcal{L}\cdot \mathcal{I}-{\nabla }^{2}f(\cdot )$，必然有：
  $$\{\begin{array}{l}\begin{array}{rl}& \mathcal{L}\cdot \mathcal{I}-{\nabla }^{2}f(\cdot )=\mathcal{Q}\left(\begin{array}{cccc}\mathcal{L}-{\lambda }_1& & & \\ & \mathcal{L}-{\lambda }_2& & \\ & & \ddots & \\ & & & \mathcal{L}-{\lambda }_n\end{array}\right){\mathcal{Q}}^{-1}\\ & \mathcal{L}-{\lambda }_i\ge 0i=1,2,\cdots ,m\\ & \mathcal{L}-{\lambda }_{max}\ge 0\Rightarrow {\lambda }_{max}\le \mathcal{L}\end{array}\end{array}$$

对上述大小关系进行整理，最终有：
$$0<m\le {\lambda }_{min}\le {\lambda }_{max}\le \mathcal{L}$$
回顾上一节——梯度下降法在强凸函数上的收敛性证明过程中，关于辅助函数$\mathcal{G}(\cdot )$的梯度$\nabla \mathcal{G}(\cdot )$满足余强制性时，有如下式子成立：
$$[\nabla \mathcal{G}(x)-\nabla \mathcal{G}(y){]}^T(x-y)\ge \frac{1}{\mathcal{L}-m}||\nabla \mathcal{G}(x)-\nabla \mathcal{G}(y)|{|}^2$$
当时我们对$\mathcal{L},m$之间的大小关系仅限于$\mathcal{L}\ge m$，但一旦二阶可微的函数$f(\cdot )$被确定，那么对应的$\text{Hessian Matrix}\Rightarrow {\nabla }^{2}f(\cdot )$以及${\lambda }_{max},{\lambda }_{min}$都是被确定的。也就是说：关于常数$\mathcal{L},m$满足：$0<m\le {\lambda }_{min}\le {\lambda }_{max}\le \mathcal{L}$，才有该函数$f(\cdot )$满足$\mathcal{L}$-利普希兹连续，以及$m$-强凸函数的条件。

如果令：$\begin{array}{r}m={\lambda }_{min};\mathcal{L}={\lambda }_{max};\alpha =\frac{1}{\mathcal{L}}\end{array}$，这相当于对$\mathcal{L}$-利普希兹连续、$m$-强凸函数两个条件进行了更严苛的约束，继续对上述$\mathcal{Q}$-线性收敛公式：$\begin{array}{r}\frac{||x_k-\alpha \cdot \nabla f(x_k)-x^{\ast }||}{||x_k-x^{\ast }||}\le \sqrt{1-\alpha \cdot \frac{2\mathcal{L}m}{\mathcal{L}+m}}\end{array}$进行化简：

• 关于步长变量$\alpha$的取值，我们将$\mathcal{L}$-利普希兹连续条件下的最优步长$\begin{array}{r}\frac{1}{\mathcal{L}}\end{array}$代入其中。关于最优步长的推导过程详见二次上界引理,这里不再赘述。
  $$\begin{array}{r}0<\frac{1}{\mathcal{L}}=\frac{2}{\mathcal{L}+\mathcal{L}}\le \frac{2}{\mathcal{L}+m}\mathcal{L}>0;\mathcal{L}\ge m\end{array}$$
• 由于条件中自身存在关于步长的约束:$\begin{array}{r}\alpha \in \left(0,\frac{2}{\mathcal{L}+m}\right)\end{array}$,需要观察一下$\begin{array}{r}\frac{1}{\mathcal{L}}\end{array}$是否位于该范围内见上式~。

$$\begin{array}{rl}\frac{||x_k-\alpha \cdot \nabla f(x_k)-x^{\ast }||}{||x_k-x^{\ast }||}& \le \sqrt{1-\alpha \cdot \frac{2\mathcal{L}m}{\mathcal{L}+m}}\\ & =\sqrt{1-\frac{1}{\mathcal{L}}\cdot \frac{2\mathcal{L}m}{\mathcal{L}+m}}\\ & =\sqrt{\frac{\mathcal{L}-m}{\mathcal{L}+m}}=\sqrt{\frac{{\lambda }_{max}-{\lambda }_{min}}{{\lambda }_{max}+{\lambda }_{min}}}\end{array}$$
将根号内分子、分母同时除以${\lambda }_{min}$：

• 其中$\begin{array}{r}\frac{{\lambda }_{max}}{{\lambda }_{min}}\end{array}$被称作$\text{Hessian Matrix}\Rightarrow {\nabla }^{2}f(\cdot )$的条件数$(\text{Condition Number})$，记作$\mathcal{K}[{\nabla }^{2}f(\cdot )]$。这里并不关注它的性质，仅从推倒的角度观察$\mathcal{K}[{\nabla }^{2}f(\cdot )]$变化对收敛速度的影响。这里推荐一篇关于条件数的文章，见文章末尾链接。
• 分子、分母同时除以$\mathcal{K}[{\nabla }^{2}f(\cdot )]$。
  $$\begin{array}{rl}\frac{||x_k-\alpha \cdot \nabla f(x_k)-x^{\ast }||}{||x_k-x^{\ast }||}& \le \sqrt{\frac{\frac{{\lambda }_{max}}{{\lambda }_{min}}-1}{\frac{{\lambda }_{\max }}{{\lambda }_{min}}+1}}\\ & =\sqrt{\frac{\mathcal{K}[{\nabla }^{2}f(\cdot )]-1}{\mathcal{K}[{\nabla }^{2}f(\cdot )]+1}}\\ & =\sqrt{\frac{1-\frac{1}{\mathcal{K}[{\nabla }^{2}f(\cdot )]}}{1+\frac{1}{\mathcal{K}[{\nabla }^{2}f(\cdot )]}}}\end{array}$$

通过观察可以发现：如果$\mathcal{K}[{\nabla }^{2}f(\cdot )]$充分大，有：
$$\underset{\mathcal{K}[{\nabla }^{2}f(\cdot )]\Rightarrow \infty }{\lim }\sqrt{\frac{1-\frac{1}{\mathcal{K}[{\nabla }^{2}f(\cdot )]}}{1+\frac{1}{\mathcal{K}[{\nabla }^{2}f(\cdot )]}}}=\sqrt{\frac{1-0}{1+0}}=1$$
这意味着：$\begin{array}{r}\frac{||x_k-\alpha \cdot \nabla f(x_k)-x^{\ast }||}{||x_k-x^{\ast }||}\le 1\end{array}$，而这意味着此时的收敛速度位于退化边缘。
如果上式取等的话，那么收敛速度会从$\mathcal{Q}$-线性收敛退化至次线性收敛。
因而通常称条件数$\mathcal{K}[{\nabla }^{2}f(\cdot )]$过大的现象称作病态问题。

这也体现了梯度下降法的弊端：如果函数$f(\cdot )$二阶可微，其对应${\nabla }^{2}f(\cdot )$的条件数过大可能会导致梯度下降法收敛速度的退化。
而条件数的大小依赖$\begin{array}{r}\frac{{\lambda }_{max}}{{\lambda }_{min}}\end{array}$,也就是说：它依赖${\lambda }_{max}$与${\lambda }_{min}$的差异性的大小。因而这个条件数仅取决于$f(\cdot )$是否二阶可微这条性质上。而这条性质同样是$f(\cdot )$的自身性质。一旦$f(\cdot )$确定且二阶可微，那么其${\nabla }^{2}f(\cdot )$确定，从而条件数确定。

相关参考：
【优化算法】梯度下降法-强凸函数的收敛性分析（下）
条件数、奇异值与海森矩阵