概率图模型中极家族(exponential families)函数的引入
回顾概率图模型03中的内容,我们用联合树算法进行消息传递,本质是在求解某个变量的分布或者条件分布,求解一个分布不单纯局限在联合树算法上,还有其他算法,比如均值场。这些图模型中的变分推理方法都有一个统一的理论框架,都是依靠凸分析和极家族函数来支撑起来的,各种推理方法的本质其实都是在极家族函数的均值参数(Mean Parameters)和自然参数(Canonical Parameters)之间来回映射。下面就先来看下为什么概率图模型中的变分推理会有极家族函数。
原则其实很简单,给定一堆数据,我们可以计算出数据的均值和方差(这些被称为经验一阶和二阶原点矩,或者经验数学期望)等统计量信息,根据这些统计量信息我们要找到一个分布P,使得分布P的矩信息和经验矩匹配,找到的分布P我们称为经验分布(empirical distribution)。下面转成数学语言:
对于一个简单的随机变量X,我们得到n个相互独立的样本,根据这n个样本,我们计算经验数学期望,如(公式一)所示:
(公式一)
其中