Intro
在训练集上最小化损失很可能导致泛化性低，因为当今模型的过参数化会导致training loss的landscape异常复杂且非凸，包含很多local/global minima，因此优化器的选择至关重要。loss landscape的几何性质（特别是minima的flatness）与泛化性有着紧密的联系，为此作者提出了SAM（Sharpness-Aware Minimization），通过寻找位于具有一致低损失值的邻域中的参数（而不是仅本身具有低损失值的参数）以提升模型的泛化性。
SHARPNESS-AWARE MINIMIZATION (SAM)
令标量为\(\alpha\)，向量为\(\boldsymbol{\alpha}\)，矩阵为\(\boldsymbol{A}\)，集合为\(A\)，“定义为”表示为\(\triangleq\)，给定来自分布\(\mathscr{D}\)的训练集\(\mathcal{S}\triangleq \{(\boldsymbol{x}_i,\boldsymbol{y}_i)\}\)，训练集的损失表示为\(L_{\mathcal{S}}(\boldsymbol{\omega})\triangleq \frac{1}{n}\sum_{i=1}^nl(\boldsymbol{\omega},\boldsymbol{x}_i,\boldsymbol{y}_i)\)，泛化误差表示为\(L_{\mathscr{D}(\boldsymbol{\omega})}\triangleq \mathbb{E}_{(\boldsymbol{x},\boldsymbol{y})\sim D}[l(\boldsymbol{\omega},\boldsymbol{x}, \boldsymbol{y})]\)。
由于模型只能看到训练集，因此通常的做法是让训练损失近可能小，然而这可能导致测试时的性能不佳。为此作者提出了SAM，不去寻找带来最小训练损失的参数，而是寻找整个邻域都具有一致低训练损失的参数值（邻域具有低损失和低曲率）。
Theorem (stated informally) 1.
对于任意\(\rho > 0\)，生成的训练集大概率满足：
\[L_{\mathscr{D}}(\boldsymbol{\omega})\leq max_{||\epsilon||_2\leq\rho}L_{\mathcal{S}}(\boldsymbol{\omega}+\boldsymbol{\epsilon})+h(||\boldsymbol{\omega}||_2^2/\rho^2) \]其中\(h:\mathbb{R}_+\to \mathbb{R}_+\)是严格单调递增函数。证明位于附录A。
因此，为了使泛化损失近可能小，我们可以近可能减小其上界，而右边的项带有一个max，所以这构成了一个min-max问题。为了明确和sharpness有关的项，可以将不等式右边写为：
\[[max_{||\epsilon||_2\leq\rho}L_{\mathcal{S}}(\boldsymbol{\omega}+\boldsymbol{\epsilon})-L_{\mathcal{S}}(\boldsymbol{\omega})]+L_{\mathcal{S}}(\boldsymbol{\omega})+h(||\boldsymbol{\omega}||_2^2/\rho^2) \]中括号中的部分表示的就是\(L_{\mathcal{S}}\)的锐度。鉴于右边的\(h\)函数很大程度上受到证明细节的影响，这里作者将其写为标准的正则化项\(\lambda||\omega||_2^2\)，通过超参数\(\lambda\)加以控制。由此，作者提出通过求解SharpnessAware Minimization问题来进行参数的选择：
\[min_{\boldsymbol{\omega}}L_{\mathcal{S}}^{SAM}(\boldsymbol{\omega})+\lambda||\boldsymbol{\omega}||_2^2 \]其中\(L_{\mathcal{S}}^{SAM}(\boldsymbol{\omega})\triangleq max_{||\boldsymbol{\epsilon}||_p\leq \rho} L_{\mathcal{S}}(\boldsymbol{\omega}+\boldsymbol{\epsilon})\)，\(\rho \geq 0\)为超参数，\(p\in [1,\infin]\)（\(p\)的值取2是最优的）。
为了最小化\(L_{\mathcal{S}}^{SAM}\)，作者通过对inner maximization求微分来得到\(\nabla_{\boldsymbol{\omega}}L_{\mathcal{S}}^{SAM}(\boldsymbol{\omega})\)的近似，这让我们能够通过SGD实现SAM的优化目标。为此，作者首先对\(L_{\mathcal{S}}(\boldsymbol{\omega}+\boldsymbol{\epsilon})\)在\(\boldsymbol{\epsilon}\to\boldsymbol{0}\)进行一阶泰勒展开：
\[\boldsymbol{\epsilon}^*(\boldsymbol{\omega})\triangleq argmax_{||\boldsymbol{\epsilon}||_p\leq \rho} L_{\mathcal{S}}(\boldsymbol{\omega}+\boldsymbol{\epsilon})\approx argmax_{||\boldsymbol{\epsilon}||_p\leq \rho}L_{\mathcal{S}}(\boldsymbol{\omega})+\boldsymbol{\epsilon}^{\top}\nabla_{\boldsymbol{\epsilon}}L_{\mathcal{S}}(\boldsymbol{\omega})=argmax_{||\boldsymbol{\epsilon}||_p\leq \rho}\boldsymbol{\epsilon}^{\top}\nabla_{\boldsymbol{\epsilon}}L_{\mathcal{S}}(\boldsymbol{\omega}) \]优化问题的解可以通过求解经典的对偶范数问题得到：
\[\hat{\boldsymbol{\epsilon}}(\boldsymbol{\omega})=\rho\,{\rm sign}(\nabla_{\boldsymbol{\omega}}L_{\mathcal{S}}(\boldsymbol{\omega}))|\nabla_{\boldsymbol{\omega}}L_{\mathcal{S}}(\boldsymbol{\omega})|^{q-1}/(||\nabla_{\boldsymbol{\omega}}L_{\mathcal{S}}({\omega})||_q^q)^{1/p} \]其中\(1/p+1/q=1\)。代入\(p=2\)这个最优的值（\(q=2\)） 计算\(\hat{\boldsymbol{\epsilon}}(\boldsymbol{\omega})\)，之后将其回代到前面的公式，可以得到：
其中第二个等号通过复合微分的运算法则得到。为了加速计算，将二阶项丢掉，就可以得到最后的梯度近似：
伪代码和示意图：
实验
等等
参考：https://blog.csdn.net/qq_40744423/article/details/121570423
标签：SAM,MINIMIZATION,epsilon,boldsymbol,SHARPNESS,GENERALIZATION,rho,mathcal,omega From： https://www.cnblogs.com/lipoicyclic/p/17962672