机器学习——指数族分布

指数族是一类分布，包括 高斯分布、 伯努利分布、 二项分布、 泊松分布、 Beta分布、 Dirichlet分布、 Gamma分布等一系列分布。
指数族分布可以写为统一的形式：
$$p(x|\eta )=h(x)\exp ({\eta }^T\varphi (x)-A(\eta ))=\frac{1}{\exp (A(\eta ))}h(x)\exp ({\eta }^T\varphi (x))$$
其中， $\eta$是参数向量， $A(\eta )$是对数配分函数（归一化因子）。
在这个式子中， $\varphi (x)$叫做充分统计量，包含样本集合所有的信息，例如高斯分布中的均值和方差。充分统计量在在线学习中有应用，对于一个数据集，只需要记录样本的充分统计量即可。
对于一个模型分布假设（似然），那么我们在求解中，常常需要寻找一个共轭先验，使得先验与后验的形式相同，例如选取似然是二项分布，可取先验是Beta分布，那么后验也是Beta分布。指数族分布常常具有共轭的性质，于是我们在模型选择以及推断具有很大的便利。
共轭先验的性质便于计算，同时，指数族分布满足最大熵的思想（无信息先验），也就是说对于经验分布利用最大熵原理导出的分布就是指数族分布。
观察到指数族分布的表达式类似线性模型，事实上，指数族分布很自然地导出广义线性模型：
$$\begin{gathered} y=f(w^{T}x) \\ y|x\sim ExpFamily \end{gathered}$$
在更复杂的概率图模型中，例如在无向图模型中，指数族分布也扮演着重要作用。
在推断的算法中，例如变分推断中，指数族分布也会大大简化计算。

一维高斯分布

一维高斯分布可以写成：
$$p(x|\theta )=\frac{1}{\sqrt{2\pi }\sigma }exp(-\frac{(x-\mu {)}^2}{2{\sigma }^2})$$
将这个式子改写：
$$\begin{gathered} \frac{1}{\sqrt{2\pi {\sigma }^2}}\exp (-\frac{1}{2{\sigma }^2}(x^2-2\mu x+{\mu }^2)) \\ =\exp (\log (2\pi {\sigma }^2{)}^{-1/2})\exp (-\frac{1}{2{\sigma }^2}\left(\begin{array}{cc}-2\mu & 1\end{array}\right)\left(\begin{array}{c}x\\ x^2\end{array}\right)-\frac{{\mu }^2}{2{\sigma }^2}) \end{gathered}$$
所以：
$$\eta =\left(\begin{array}{c}\frac{\mu }{{\sigma }^2}\\ -\frac{1}{2{\sigma }^2}\end{array}\right)=\left(\begin{array}{c}{\eta }_1\\ {\eta }_2\end{array}\right)$$
于是对数配分函数$A(\eta )$:
$$A(\eta )=-\frac{{\eta }_1^2}{4{\eta }_2}+\frac{1}{2}\log (-\frac{\pi }{{\eta }_2})$$

充分统计量和对数配分函数的关系

对概率密度函数求积分：
$$exp(A(\eta ))=\int h(x)\exp ({\eta }^T\varphi (x))dx$$
两边对参数求导：
$$\begin{gathered} \exp (A(\eta ))A^{\prime }(\eta )=\int h(x)\exp ({\eta }^T\varphi (x))\varphi (x)dx \\ ⟹A^{\prime }(\eta )={\mathbb{E}}_{p(x|\eta )}[\varphi (x)] \end{gathered}$$
类似的：
$$A^{\prime \prime }(\eta )=Va{r}_{p(x|\eta )}[\varphi (x)]$$
由于方差为正，于是$A(\eta )$一定是凸函数

充分统计量和极大似然估计

对于独立全同采样得到的数据集 D = { x 1 , x 2 , ⋯   , x N } \mathcal{D}=\{x_1,x_2,\cdots,x_N\} D={x1​,x2​,⋯,xN​}
$$\begin{gathered} {\eta }_{MLE}={\mathrm{argmax}}_{\eta }\sum _{i=1}^N\log p(x_i|\eta ) \\ ={\mathrm{argmax}}_{\eta }\sum _{i=1}^N({\eta }^T\varphi (x_i)-A(\eta )) \\ ⟹A^{\prime }({\eta }_{MLE})=\frac{1}{N}\sum _{i=1}^N\varphi (x_i) \end{gathered}$$
由此可以看到，为了估算参数，只需要知道充分统计量就可以。

最大熵

信息熵记为：
$$Entropy=\int -p(x)\log (p(x))dx$$
一般地，对于完全随机的变量（等可能），信息熵最大。
我们的假设为最大熵原则，假设数据是离散分布的，k个特征的概率分别为$p_k$，最大熵原理可以表述为：
max ⁡ { H ( p ) } = min ⁡ { ∑ k = 1 K p k log ⁡ p k }   s . t .   ∑ k = 1 K p k = 1 \max\{H(p)\}=\min\{\sum\limits_{k=1}^Kp_k\log p_k\}\ s.t.\ \sum\limits_{k=1}^Kp_k=1 max{H(p)}=min{k=1∑K​pk​logpk​} s.t. k=1∑K​pk​=1
利用Lagrange乘子法：
$$L(p,\lambda )=\sum _{k=1}^K{p}_k\log p_k+\lambda (1-\sum _{k=1}^K{p}_k)$$
于是可得：
$$p_1=p_2=\cdots =p_K=\frac{1}{K}$$
因此等可能的情况熵最大。
一个数据集$\mathcal{D}$，在这个数据集上的经验分布为$\hat{p}(x)=\frac{Count(x)}{N}$，实际不可能满足所有的经验概率相同，于是在上面的最大熵原理中还需要加入这个经验分布的约束。
对任意一个函数，经验分布的经验期望可以求得为：
$${\mathbb{E}}_{\hat{p}}[f(x)]=\Delta$$
于是：
max ⁡ { H ( p ) } = min ⁡ { ∑ k = 1 N p k log ⁡ p k }   s . t .   ∑ k = 1 N p k = 1 , E p [ f ( x ) ] = Δ \max\{H(p)\}=\min\{\sum\limits_{k=1}^Np_k\log p_k\}\ s.t.\ \sum\limits_{k=1}^Np_k=1,\mathbb{E}_p[f(x)]=\Delta max{H(p)}=min{k=1∑N​pk​logpk​} s.t. k=1∑N​pk​=1,Ep​[f(x)]=Δ
Lagrange函数为：
$$L(p,{\lambda }_0,\lambda )=\sum _{k=1}^N{p}_{k}log{p}_k+{\lambda }_0(1-\sum _{k=1}^N{p}_k)+{\lambda }^T(\Delta -{\mathbb{E}}_p[f(x)])$$
求导得到：
$$\begin{gathered} \frac{\partial }{\partial p(x)}L=\sum _{k=1}^N(\log p(x)+1)-\sum _{k=1}^N{\lambda }_0-\sum _{k=1}^N{\lambda }^{T}f(x) \\ ⟹\sum _{k=1}^N\log p(x)+1-{\lambda }_0-{\lambda }^{T}f(x)=0 \end{gathered}$$
由于数据集是任意的，对数据集求和也意味着求和项里面的每一项都是0：
$$p(x)=exp({\lambda }^{T}f(x)+{\lambda }_0-1)$$
这就是指数族分布