【机器学习系列】MCMC第二讲：Markov Chain & Monte Carlo基本概念和核心思想

作者：CHEONG

公众号：AI机器学习与知识图谱

研究方向：自然语言处理与知识图谱

阅读本文之前，首先注意以下两点：

1. 机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论，方便最快速度理解本文核心。需要进一步了解推导细节可继续往后看。

2. 文中含有大量公式，若读者需要获取含公式原稿Word文档，可关注公众号【AI机器学习与知识图谱】后回复：MCMC第二讲，可添加微信号【17865190919】进学习交流群，加好友时备注来自CSDN。原创不易，转载请告知并注明出处！

本文将先从基本的概念入手，循序渐进阐述MCMC采样思想。

• 马尔科夫链
• 齐次马尔科夫连
• 平稳分布
• Detailed Balance
• 为何引出MCMC
• MCMC核心思想

一、马尔科夫链

马尔科夫链是时间和状态都是离散的马氏过程/随机过程，其中随机过程是指研究变量是随机变量序列$x_1,x_2,...,x_n,...$，而不是单个随机变量$x$。马氏链的概率图模型表示如下：

简单解释一下上图中需要用到的两个概念：（1）转移矩阵：$P=[p_{ij}]$，其中$p_{ij}$表示从状态$x_i$到状态$x_j$的转移概率；（2）状态概率：每个状态$x_i$都有状态概率${\pi }_i$。

二、齐次马尔科夫链

齐次马尔科夫链是指t+1时刻状态$x_{t+1}$只和t时刻状态$x_t$有关，公式表示如下：

三、平稳分布

如果状态概率序列${\pi }_1,{\pi }_2,...,{\pi }_n,...$是$x_1,x_2,...,x_n,...$的平稳分布，则满足以下条件：

其中：

简单来说，对于平稳分布，平稳分布是指马氏链中状态概率$\pi (x)$经过任意的转移$p(x->x_{\ast })$都等于同一个值$\pi (x_{\ast })$

四、Detailed Balance

Detailed Balance是平稳分布的充分不必要条件，即马氏链满足Detailed Balance一定满足平稳分布，但满足平稳分布不一定满足Detailed Balance。马氏链是Detailed Balance时满足以下公式：

已知Detailed Balance来推导平稳分布，下面给出简单的推导过程：

其中

所以有Detailed Balance推导出平稳分布，即：

五、为何引出MCMC

对于拒绝采样和重要性，因为原有的概率分布$p(x)$维度高很复杂无法直接采样，所以采取的策略是：先假设一个概率分布$q(x)$与$p(x)$接近，并且$q(x)$简单易采样，这样便可以通过对概率分布$q(x)$采样来替代无法采样的$p(x)$。但显然存在一个问题，寻找到一个和高维复杂的$p(x)$接近且简单易采样的概率分布$q(x)$是困难的，不太现实的。这让拒绝采样和重要性采样变得不易操作。因此才引出了MCMC的采样方案。

六、MCMC核心思想

在介绍MCMC采样的核心思想之前，我们先看上图中的马氏链：

每个状态对应的概率分布分别是：

通过状态转移矩阵从$q^{(1)}(x)$转移到$q^{(2)}(x)$，这样一直转移到$q^{(m)}(x)$，$q^{(m+1)}(x)$，假设该马氏链随着转态转移到状态$x_m$之后就已经达到了平稳分布，即$q^{(m)}(x)$和$q^{(m+1)}(x)$的概率分布已经保持一致。这里我们引出MCMC采样的想法：

传统拒绝采样和重要性采样想直接给出高维复杂概率分布$p(x)$相近的$q(x)$是十分复杂的；

MCMC就试图间接找到这样的$q(x)$，即先构造一条马氏链，通过假设合适的转态转移矩阵，让马氏链最后进入平稳分布状态概率分布$q^{(m)}(x)$，且$q^{(m)}(x)$和$p(x)$相近，这样通过对$q^{(m)}(x)$进行采样来代替高维复杂概率分布$p(x)$，这就是MCMC采样的思想，所以关键在于如何构造合适的状态转移矩阵，让马氏链最终能够平稳分布并接近$p(x)$。

因此从MCMC采样想法中需要说明两个关键点，在下一节MCMC第三讲中将对以下两个关键点详细证明：

1、马氏链是否可以趋近于平稳分布状态，概率分布$q^{(m)}(x)$；

2、如何设置转态转移矩阵使得平稳分布状态下的概率分布$q^{(m)}(x)$接近$p(x)$