最大熵原则与最大熵模型

首先看熵的定义

熵

熵是信息论中的概念，首先需要定义一个事件$X=x$的信息量，要求满足以下两个条件：

1. 越不可能发生的事情，信息越大
2. 几个独立事件同时发生的信息量=每一个事件的信息量之和
   个满足以上两个条件的且最为简单的函数就是对数函数了，s.t. $I(x)=-logP(x)$
   Proof： $P(x)$越大，$I(x)=-logP(x)$越小
   $$\begin{array}{rl}I(x_1,x_2,x_3)& =-logP(x_1,x_2,x_3)\\ & =-logP(x_1)P(x_2)P(x_3)\\ & =-(logP(x_1)+logP(x_2)+logP(x_3))\\ & =I(x_1)+I(x_2)+I(x_3)\end{array}$$

有了事件的信息量之后，可以定义熵为满足分布P的事件所产生的期望信息量：
$$H(P)=E_{x\sim P}[I(x)]=-E_{x\sim P}[logP(x)]=-\sum _{i}P(x_i)logP(x_i)$$

---

最大熵原则与最大熵模型

最大熵原则 的含义是在 满足约束的情况下，对未知的信息不做任何假设，尽量保持可能性最大。

下面证明对于一个离散变量 $X$，在没有任何其他先验的情况下，根据最大熵原则 $X$ 满足均匀分布：

---

Proof: 假设 $X$ 为离散变量且取值范围是 { 1 , ⋯   , k } \{1,\cdots,k\} {1,⋯,k}，记 $P(X=i)=p_i$，那么根据最大熵原则：

$$\begin{array}{rl}\text{max}-\sum _{i=1}^k{p}_i\text{log}{p}_i& ⟺\text{min}\sum _{i=1}^k{p}_i\text{log}{p}_i\\ s.t.& \sum _{i=1}^k{p}_i=1\end{array}$$

由拉格朗日对偶法：
$$\begin{array}{rl}L(p,\lambda )& =\sum _{i=1}^k{p}_i\text{log}{p}_i+\lambda (1-\sum _{i=1}^k{p}_i)\\ \frac{\partial L(p,\lambda )}{\partial p_i}& =\text{log}{p}_i+p_i\ast \frac{1}{p_i}-\lambda =0\\ & \Rightarrow p_i=\frac{1}{\lambda -1}\forall i\end{array}$$

所有的 $p_i$ 是相等的常值，因此 $X$ 服从均匀分布。得证。

---

下面介绍 最大熵模型，对于给定数据集 { X , Y } \{X,Y\} {X,Y}，不失一般性，可以用特征函数 $f(x,y)$来描述，特征函数可以是任何形式，例如：
$$f(x,y)=\{\begin{array}{cc}1& (x,y)满足某一事实\\ 0& 否则\end{array}$$

如果模型可以获取训练数据中的信息，那么对于任意特征函数，我们可以假设：$f(x,y)$关于经验分布$\tilde{P}(x,y)$的期望值=$f(x,y)$关于预测分布$P(x,y)$的期望值：

$$E_{(x,y)-\tilde{P}(x,y)}(f)=\sum _{x,y}\tilde{P}(x,y)f(x,y)$$
$$E_{(x,y)-P(x,y)}(f)=\sum _{x,y}P(x,y)f(x,y)=\sum _{x,y}\tilde{P}(x)P(y|x)f(x,y)$$
$$\Rightarrow \sum _{x,y}\tilde{P}(x,y)f(x,y)=\sum _{x,y}\tilde{P}(x)P(y|x)f(x,y)$$

根据 最大熵原则，首先给出条件熵：
$$H(Y|X)=\sum _{i}P(x_i)H(Y|X=x_i)=-\sum _{i}P(x_i)\sum _{j}P(y_i|x_i)logP(y_i|x_i)$$

那么，最大熵模型 的目标函数就是：
$$\begin{array}{rl}mi{n}_P\sum _{x,y}\tilde{P}(x)P(y|& x)logP(y|x)\\ s.t.\sum _{x,y}\tilde{P}(x,y)f(x,y)& =\sum _{x,y}\tilde{P}(x)P(y|x)f(x,y)\\ \sum _{y}P(y|x)& =1\end{array}$$

求解带约束的最小化问题可以用拉格朗日对偶法。首先定义Lagrange函数：
$$\begin{gathered} L(P,w)=\sum _{x,y}\tilde{P}(x)P(y|x)logP(y|x)+w_0(1-\sum _{y}P(y|x))+ \\ \sum _i{w}_i(\sum _{x,y}\tilde{P}(x,y)f(x,y)-\sum _{x,y}\tilde{P}(x)P(y|x)f(x,y)) \end{gathered}$$
则有:

$$L(P,w)=\{\begin{array}{cc}{\sum }_{x,y}\tilde{P}(x)P(y|x)logP(y|x)& 当P满足所有约束条件\\ +\infty & 否则\end{array}$$

所以求解目标函数等价于求解$$mi{n}_{P}ma{x}_{w}L(P,w)$$又由于$L(P,w)$是关于P的凸函数，因此可以通过解对偶问题$$ma{x}_{w}mi{n}_{P}L(P,w)$$来得到原始问题的解。首先求$mi{n}_{P}L(P,w)$，记$P_w(y|x)=argmi{n}_{P}L(P,w)$，$L(P,w)$关于$P(y|x)$求导：
$$\begin{array}{rl}\frac{\partial L(P,w)}{\partial P(y|x)}& =\sum _{x,y}\tilde{P}(x)(logP(y|x)+1)-\sum _y{w}_0-\sum _i{w}_i\sum _{x,y}\tilde{P}(x)f_i(x,y)\\ & =\sum _{x,y}\tilde{P}(x)[logP(y|x)+1-w_0-\sum _i{w}_i{f}_i(x,y)]\end{array}$$

由$$\frac{\partial L(P,w)}{\partial P(y|x)}=0\Rightarrow P(y|x)=exp(\sum _i{w}_i{f}_i(x,y)+w_0-1)=\frac{exp({\sum }_i{w}_i{f}_i(x,y))}{exp(1-w_0)}$$
由于${\sum }_{y}P(y|x)=1$
$$\Rightarrow P_w(y|x)=\frac{exp({\sum }_i{w}_i{f}_i(x,y))}{Z_w}$$
其中$Z_w$为归一化因子。

在这一步我们发现 满足约束条件的函数形式有很多种，但是还要满足最大熵原则这个条件，就只能是指数函数形式!! 因此之后的很多通过特征函数来定义目标函数的算法例如CRF,MEMM都用到了最大熵的这个思想，因此它们的目标函数也是指数形式的！

再深究一下，最后结果中的指数函数$exp$，其实是来自于熵定义中的对数函数$log$，而这个$log$的形式又来自于信息量的定义，而$log$正是可以满足信息量两个要求的最简单的函数了！很奇妙有木有~

言归正传，现在还需要求解$ma{x}_w\varphi (w)$，其中$\varphi (w)=mi{n}_{P}L(P,w)=L(P_w,w)$，因此
$$\begin{array}{rl}\varphi (w)& =\sum _{x,y}\tilde{P}(x)P_w(y|x)log{P}_w(y|x)+\sum _i{w}_i(\sum _{x,y}\tilde{P}(x,y)f_i(x,y)-\sum _{x,y}\tilde{P}(x)P_w(y|x)f_i(x,y))\\ & =\sum _{x,y}\tilde{P}(x)P_w(y|x)(log{P}_w(y|x)-\sum _i{w}_i{f}_i(x,y))+\sum _{x,y}\tilde{P}(x,y)\sum _i{w}_i{f}_i(x,y)\\ & =-\sum _{x,y}\tilde{P}(x)P_w(y|x)log{Z}_w+\sum _{x,y}\tilde{P}(x,y)\sum _i{w}_i{f}_i(x,y)\end{array}$$

与此同时，我们可以来看一下最大熵函数的似然函数，由上面说到的最大似然的第二种形式：
$$\begin{array}{rl}L(P;w)& =log\prod _{x,y}P(x,y{)}^{\tilde{P}(x,y)}\\ & =\sum _{x,y}\tilde{P}(x,y)logP(x,y)\\ & =\sum _{x,y}\tilde{P}(x,y)log\tilde{P}(x)P(y|x)\\ & =\sum _{x,y}\tilde{P}(x,y)logP(y|x)+\sum _{x,y}\tilde{P}(x,y)log\tilde{P}(x)\end{array}$$
后面一项${\sum }_{x,y}\tilde{P}(x,y)log\tilde{P}(x)$为固定项，因此
$$\begin{array}{rl}L(P_w;w)& =\sum _{x,y}\tilde{P}(x,y)log{P}_w(y|x)\\ & =\sum _{x,y}\tilde{P}(x,y)(\sum _i{w}_i{f}_i(x,y)-log{Z}_w)\\ & =\sum _{x,y}\tilde{P}(x,y)\sum _i{w}_i{f}_i(x,y)-\sum _{x,y}\tilde{P}(x)P_w(y|x)log{Z}_w\end{array}$$

因此$$ma{x}_w\varphi (w)=ma{x}_{w}L(P_w;w)$$

所以最优化最大熵模型，等价于最大化最大似然函数$L(P_w;w)$

---

最大熵模型与指数族分布的关系

首先介绍指数族分布，满足以下形式的分布称为指数族分布：
$$P(y;\eta )=b(y)exp({\eta }^{T}T(y)-a(\eta ))$$

其中 $T(y)$ 称为充分统计量，该函数可以包含样本的完整特征;
$a(\eta )$ 称为对数配分函数，或 归一化因子，用来保证概率质量函数 $P(y;\eta )$ 满足 ${\sum }_{i}P(y_i;\eta )=1$。

在 广义线性模型推导 线性回归模型，Logistic模型，多项Logistic模型 一文中，我们已经证明过常见的 高斯分布，伯努利分布都属于指数族分布。这里我们要证明 最大熵模型也满足指数族分布形式。

观察上一节中由最大熵原则得到的概率密度函数 $P_w(y|x)$：
$$P_w(y|x)=exp(\sum _i{w}_i{f}_i(x,y)+w_0-1)=exp(w^{T}f(x,y)+w_0-1)$$

不难发现 $P_w(y|x)$ 满足指数族分布形式，且：

• $b(y)=1$
• $T(y)=f(x,y)$
• $\eta =w$
• $a(\eta )=1-w_0$

因此 最大熵模型也属于指数族分布，且其充分统计量就是特征函数本身。