混合专家系统(Mixture of Experts)
原理:
混合专家系统(MoE)是一种神经网络,也属于一种combine的模型。适用于数据集中的数据产生方式不同。不同于一般的神经网络的是它根据数据进行分离训练多个模型,各个模型被称为专家,而门控模块用于选择使用哪个专家,模型的实际输出为各个模型的输出与门控模型的权重组合。各个专家模型可采用不同的函数(各种线性或非线性函数)。混合专家系统就是将多个模型整合到一个单独的任务中。
混合专家系统有两种架构:competitive MoE 和cooperative MoE。competitive MoE中数据的局部区域被强制集中在数据的各离散空间,而cooperative MoE没有进行强制限制。
对于较小的数据集,该模型的表现可能不太好,但随着数据集规模的增大,该模型的表现会有明显的提高。
定义X为N*d维输入,y为N*c维输出,K为专家数,
各专家输出为:
(其中
第k个专家输出均值为:
门限模块输出为:
输出
对于Cooperative MoE:
对于Competitive MoE:
实验结果:
不同数据集相同k值:
- k=2使用线性数据集,采用SGD和FTRL两种训练方式,结果如下:
- k=2使用非线性数据集,采用SGD和FTRL两种训练方式,结果如下:
相同数据集不同k值:
- k=1:
- k=2:
- k=4: