变分推断（Variational Inference）

从变分推断（Variational Inference）说起

   在贝叶斯体系中，推断(inference) 指的是 利用已知变量x的观测值推测未知变量z的后验分布，即我们在已经输入变量x后，如何获得未知变量z的分布p(z|x)[3].通俗一点讲一个完整的故事就是，如果没有任何信息，我们可能大概了解一个（latent）变量z的分布，这个分布可能方差比较大。变量x是可观察的，并含有z的一些信息。那么在观察到x后，关于z的分布（此时是后验分布p(z|x)）会发生变化，比如方差变得更小了，如下图所示。

  利用贝叶斯公式：[4]

$p(x|z)$与$p(z)$可以做出必要的假设符合某个分布。$p(x)$是已经观察到的，所以称为证据（evidence）。
变分推断的一般步骤：

  精确推断方法准确地计算$p(z|x)$，该过程往往需要很大的计算开销，现实应用中近似推断更为常用。近似推断的方法往往分为两大类:

• 第一类是采样，常见的是MCMC方法，
• 第二类是使用另一个分布近似$p(z|x)$，典型代表就是变分推断。变分推断可以是推断后验分布的期望或者方差。

近似变分推断，就是要找到一个分布$q^{\ast }(z)$去近似后验分布$p(z|x)$：

• 指定一个关于z的分布族Q
• 找到一个$q^{\ast }(z)\in Q$去近似$p(z|x)$
  
  其中L是一种度量，可以度量两个分布分近似程度。Variational Bayes（变分贝叶斯，VB） 的这个度量采用KL距离：
  
    KL距离，是Kullback-Leibler差异（Kullback-Leibler Divergence）的简称，也叫做相对熵（RelativeEntropy）。它衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是：在相同事件空间里，概率分布P(x)的事件空间，若用概率分布$Q(x)$编码时，平均每个基本事件（符号）编码长度增加了多少比特。[5]
  
  这里对KL的意义再重点讨论一下：
    KL的意义其实也很好理解。现在假如有两个概率分布P(x)和Q(x)，现在要看看分布Q(x)与分布P(x)的接近程度。怎么做呢？其实很容易能够想到，就是根据分布P(x)中采样N个数：$x_1,x_2,...,x_N$，看$\frac{P(x_1)P(x_2)...P(x_N)}{Q(x_1)Q(x_2)...Q(x_N)}$与1
  的接近程度，如果取对数就是$$log(\frac{P(x_1)}{Q(x_1)})+log(\frac{P(x_2)}{Q(x_2)})+...+log(\frac{P(x_N)}{Q(x_N)})$$与0的接近程度,取平均数：$$\frac{1}{N}(log(\frac{P(x_1)}{Q(x_1)})+log(\frac{P(x_2)}{Q(x_2)})+...+log(\frac{P(x_N)}{Q(x_N)}))$$，这个就是对${\sum }_{x\in X}P(x)log(\frac{P(x)}{Q(x)})$的估计。因为是看分布Q(x)与分布P(x)的接近程度，所以是从P(x)取样，如果是看分布P(x)与分布Q(x)的接近程度,那就是从Q(x)取样，那么就是${\sum }_{x\in X}Q(x)log(\frac{Q(x)}{P(x)})$，二者肯定是不一样的，所以KL距离不是对称的。

   这样做下面的一步推导，其中$p(z|x)$是未知的（本质上，$p(x)$是未知的）。

这样做进一步的变化，把$p(z|x)$拆开。

关于ELBO（evidence lower bound，evidence下界）：

• ELBO是evidence的对数的下界
• 对$KL(q(z)||p(z|x))$的最小化等价于对ELBO的最大化（做这样的转化是必要的，因为ELBO中是没有未知量的）
• ELBO中的$p(x,z)=p(x|z)p(z)$，$p(x|z)$与$p(z)$都做了假设，是知道的，所以$p(x,z)$是知道的。

参考链接：

[3]:变分推断(Variational Inference)初探 - 知乎 (zhihu.com)

[4]: 变分推断-1贝叶斯统计 详细推导 Variational Inference「机器学习」_哔哩哔哩_bilibili
[5]: 计算 KL距离 (相对熵)

https://zhuanlan.zhihu.com/p/507776434

https://zhuanlan.zhihu.com/p/340226815

https://zhuanlan.zhihu.com/p/57574493

https://blog.csdn.net/m0_58547949/article/details/127963524

https://kexue.fm/archives/5253