随机采样和随机模拟:吉布斯采样Gibbs Sampling实现高斯分布参数推断

标签: 概率图模型Gibbs Sampling高维高斯分布
3093人阅读 评论(0) 收藏 举报
分类:

http://blog.csdn.net/pipisorry/article/details/51539739

吉布斯采样的实现问题

本文主要说明如何通过吉布斯采样来采样截断多维高斯分布的参数(已知一堆截断高斯分布的数据,推断其参数( μ , Σ ))。

关于吉布斯采样的介绍文章都停止在吉布斯采样的详细描述上,如随机采样和随机模拟:吉布斯采样Gibbs Sampling(why)但并没有说明吉布斯采样到底如何实现的(how)?

也就是具体怎么实现从下面这个公式采样?


下面介绍如何为多维正态分布构建一个吉布斯采样器,来采样截断多维高斯分布的参数。

皮皮blog


模型的表示

思路:要求吉布斯采样的两个维度mu和sigma的条件概率,就要先求出在数据x下mu和sigma的联合概率密度(似然函数),而这个就先要知道在mu和sigma下x的概率密度(就是高斯分布呀)以及mu和sigma的先验概率分布。

y为均值为μ协方差矩阵为 Σ的( N × 1)正态随机向量,其概率密度函数pdf为:

[概率论:高斯分布]

假设x是y的截断truncated版本,有同样的参数location and scale parameters μ and Σ , 只是截断到区域 R = { ( a i < x i < b i ), i = 1,2,... N } ,(a 可以为 −∞ or b 可以为 +∞ )。

x的pdf为:

I R ( x )是指示器函数:当x在区域R中时值为1,否则为0;

P ( μ , Σ ) ]− 1是正则化常数(由于截断),为

让 x = ( x 1 , x 2 ,..., x T ) 表示截断多维高斯分布pdf f ( x | μ , Σ ) 的随机采样

则随机采样x的pdf(μ 和 Σ的似然函数)为

高斯分布的先验和数据产生后验分布

( μ , Σ )的先验分布

设为noninformative diffuse prior(扩散先验密度),As a prior pdf for ( μ , Σ ) , we will use the conventional noninformative diffuse prior (see, for example, Zellner 1971, p.225)

( μ , Σ )的后验分布

Combining this prior with the likelihood function yields the posterior pdf for ( μ , Σ )

得到后验分布后,我们可以从这些后验pdfs中采样,并利用这些采样值估计边缘后验分布和矩(moments)。

然而其中的和式没法消去,后面将介绍如何利用隐含变量消去它。

皮皮blog



单变量高斯分布The Univariate Case

单变量高斯分布中,正则化因子式3变为:


where Φ (.) is the standard normal cumulative distribution function (cdf).

(μ , σ 2)的后验pdf (式6)为

然而从上式没法得到f ( σ 2 | x ) and f ( μ | x ):It is not possible to analytically integrate out μ or σ 2 from this pdf to obtain the marginal posterior pdfs f ( σ 2 | x ) and f ( μ | x ) . Also, because the conditional posterior pdfs f ( σ 2 | μ , x ) and f ( μ | σ 2 , x ) are not recognisable, it is not possible to set up a Gibbs’ sampling algorithm that draws from these conditional pdfs.

所以我们添加对应x的隐含变量y:令y = ( y 1 , y 2 ,..., y T ) ′ , 可看作非截断正态分布N ( μ , σ 2 )的采样,并且和截断观测值x有直接的(确定性的deterministic)对应。

考虑采样观测值y t from N ( μ , σ 2 )和x t from N ( μ , σ 2 ) × I ( a , b ) ( x t )的逆累积分布函数(inverse cdf)方法:

给定均匀分布抽样Ufrom (0,1),y t and x t的抽样分别为:


。。。一堆推导(略)

得到x和y之间的确定deterministic关系

根据贝叶斯理论,我们可以重写μ , σ 2 and y的联合后验分布(joint posterior pdf)为

由于f ( x | y , μ , σ 2 ) = 1 when (12) holds, and is zero otherwise.     The remaining terms on the right side of (13) involve y not x.则


where y is the sample mean of the y t and the relationship between y and x is given by (12).

式14中,吉布斯采样需要的条件后验pdfs分别为

式16:Inverse-gamma distribution, i_gamma(alpha, beta)采样数据实际上就是gamma分布(alpha, beta^-1)采样数据取倒数。

IG的概率密度函数pdf为



综上,

吉布斯采样截断高斯分布参数算法

从后验pdf中生成( μ , σ 2 )的步骤为

Note: 这一步对于非截断正态分布参数的推断当然是不需要的,这时12式就是y = x.(ab都取相应无穷大时)。


Note: 

第3步就是

第4步就是


皮皮blog



同步图计算并行化处理

lz的不一定正确。。。

一维高斯参数推断

高斯分布参数均值mu和方差sigma作为吉布斯采样的两个坐标维度
吉布斯采样作为同步图节点,节点间是全连接的
将高斯分布数据划分为节点数目个文件提供给对应节点采样新维度

使用已有方法产生截断高斯分布的数据点,将数据分成M份,分布在M个worker节点中。

超步0
随机初始值作为mu和sigma的局部值,利用数据更新mu和sigma,传递mu和sigma的局部值给其它节点。(局部模型)
超步1+

每个节点收到其它节点发来的( μ , σ 2 )信息,重新计算( μ , σ 2 ),记录到文件中,并作为新一次迭代的初始值。(全局模型,替换局部模型)

所有节点重新运行吉布斯采样截断高斯分布参数算法,得到部分训练数据的参数采样结果( μ , σ 2 )。

将新采样的mu和sigma的局部值传递给其它节点。

或者可以每隔几个Gibbs sampling迭代结束超步进行同步,并准备进入下一个超步。而不是一次迭代就进入下一下超步。

判断程序是否终止
累加量acc,最大迭代步数。

[Distributed Inference for Latent Dirichlet Allocation]

最后lz有一个问题,吉布斯采样能用在连续的n维高斯分布采样中吗?如果可以如何实现,马尔可夫毯?

from: http://blog.csdn.net/pipisorry/article/details/51539739

ref: W. Griffiths. A Gibbs Sampler for the Parameters of a TruncatedMultivariate Normal Distribution.


1
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:2630549次
    • 积分:25499
    • 等级:
    • 排名:第246名
    • 原创:534篇
    • 转载:30篇
    • 译文:5篇
    • 评论:245条
    Welcome to 皮皮blog~

    博客专栏
    最新评论