交差エントロピーってなんだろう，と思ったのでメモ．結果的に「交差エントロピーの最小化は，真の分布とのKLダイバージェンスの最小化と等価である」ということがわかった．後者の方が解釈が楽だと思うので，メモがてら書いてみる．
「距離」というのはわかりやすい．特に，「真の関数との距離を最小化する」というのは直感的に同意しやすい．今回は，確率密度（質量）関数の距離みたいなもの（正確には距離ではない）の一つ，KLダイバージェンスというものを扱う．二つの確率密度関数$p, q$間のKLダイバージェンスは以下のように定義される．
$$
KL(p||q) = \int p(x) \log \frac{p(x)}{q(x)} dx
$$
離散型なら，
$$
KL(p||q) = \sum_{x} \log \frac{p(x)}{q(x)}
$$
と定義される．
ここで，$p$を真の確率密度関数とし，そのモデルを$q$とする．$q$にはよく，softmaxや，(standard) logistic functionなんかが用いられる．これらのKLダイバージェンスを最小化する$q$を求めることを考えると，連続型の場合，
$$
\begin{align}
q^* &= \arg\min_{q} KL(p||q) \
&= \arg\min_{q} - \int p(x) \log q(x) dx
\end{align}
$$
となる．離散型の場合，
$$
\begin{align}
q^* &= \arg\min_{q} KL(p||q) \
&= \arg\min_{q} - \sum_{x} p(x) \log q(x)
\end{align}
$$
となる．結果的に，最小化しているのが，「交差エントロピー」と呼ばれているだけ．
もう少し踏み込んで，確率的二値分類を考えてみる．確率的な二値分類では，入力を$x$，出力を$y \in \{-1, 1\}$とすると，$p(y|x)$を推定したいわけだが，このモデルを$q(y|x)$とする．これらのKLダイバージェンスを最小化する$q^*$は以下のようになる．
$$
\begin{align}
q^* &= \arg\min_{q} KL(p||q) \
&= \arg\min_{q} - p(y=1|x) \log q(y=1|x) - (1 - p(y=1|x))\log(1 - q(y=1|x)
\end{align}
$$
以上．ちなみに，最尤推定も以下のようにKLダイバージェンスの最小化とみなすことができる．
$$
\begin{align}
q^* &= \arg\min_{q} KL(p||q) \
&= \arg\min_{q} - \int p(x) \log q(x) dx \
&\approx \arg\min_{q} - \frac{1}{n} \log q(x_i)
\end{align}
$$
ただし，$x_i \overset{i.i.d.}{\sim} p(x) \ \forall i = 1, \ldots, n$．