EM算法原理:
不作过多引言专注推导,先打个比方,一个袋子有10个球,但不清楚里面有些什么颜色的球,但是又不能打开袋子看,所以我们尝试通过大量的抽样,使用观察数据来估计。比如抽样结果是0.6概率是红球,0.4概率是蓝球,于是可以认为10个球里面有6个红球与4个蓝球。
所以首先EM算法是解决含隐变量(latent variable)情况下的参数估计问题,而求模型的参数时一般采用最大似然估计,由于含有了隐含变量(如例子中不清楚颜色却又不能打开袋子看),所以对似然函数参数求导是求不出来的,虽然通过梯度下降等优化方法也可以求解,但如果隐变量个数太多,将会带来指数级的运算。不过我们能知道在隐变量能观察到的情况下,最大似然法很简单,或者在知道参数的情况下,计算它的期望值也很容易。那么自然而然可以想到:
1.固定一组参数,计算该参数下的隐变量的期望值(E步)
2.结合E步求出的隐含变量条件概率,用最大似然法来估计参数(M步)。
重复上面2步直至收敛。其实可以从上面开篇的图片上快速理解,即如何反复构造出最大下界,从而不断的逼近最优点。
公式如下所示:
一起来推导一遍吧:
首先是Jensen不等式:
如
果
f
(
x
)
是
凸
函
数
,
则
有
:
E
(
f
(
x
)
)
≥
f
(
E
(
x
)
)
如果f(x) 是凸函数,则有:E(f(x)) \geq f(E(x))\;\;
如果f(x)是凸函数,则有:E(f(x))≥f(E(x))
简单来说如果只有两个变量x1和x2,眼观上函数的期望大于期望值的函数自然成立,再使用数学归纳法逐次验证,易证该不等式。
然后求对于m个数据x的参数
θ
\theta
θ的极大对数似然有:
θ
=
a
r
g
max
θ
∑
i
=
1
m
l
o
g
P
(
x
(
i
)
∣
θ
)
\theta = arg \max \limits_{\theta}\sum\limits_{i=1}^m logP(x^{(i)}|\theta)
θ=argθmaxi=1∑mlogP(x(i)∣θ)
因为存在隐变量z,似然函数可改写为:
θ
=
a
r
g
max
θ
∑
i
=
1
m
l
o
g
∑
z
(
i
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
\theta = arg \max \limits_{\theta}\sum\limits_{i=1}^m log\sum\limits_{z^{(i)}}P(x^{(i)}, z^{(i)}|\theta)
θ=argθmaxi=1∑mlogz(i)∑P(x(i),z(i)∣θ)
引入
Q
i
(
z
(
i
)
Q_i(z^{(i)}
Qi(z(i)表示隐含变量z的某种分布,它自然也满足概率分布的条件
∑
z
Q
i
(
z
(
i
)
)
=
1
,
Q
i
(
z
(
i
)
)
≥
0
\sum\limits_{z}Q_i(z^{(i)}) =1,Q_i(z^{(i)})\geq0
z∑Qi(z(i))=1,Qi(z(i))≥0
那么上面的似然函数可变换为:
∑
i
=
1
m
l
o
g
∑
z
(
i
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
=
∑
i
=
1
m
l
o
g
∑
z
(
i
)
Q
i
(
z
(
i
)
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
)
)
\sum\limits_{i=1}^m log\sum\limits_{z^{(i)}}P(x^{(i)}, z^{(i)}|\theta) =\sum\limits_{i=1}^m log\sum\limits_{z^{(i)}}Q_i(z^{(i)})\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})))}
i=1∑mlogz(i)∑P(x(i),z(i)∣θ)=i=1∑mlogz(i)∑Qi(z(i))Qi(z(i))))P(x(i),z(i)∣θ)
观察到
∑
z
(
i
)
Q
i
(
z
(
i
)
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
就
是
P
(
z
(
i
)
∣
x
(
i
)
,
θ
)
)
的
期
望
\sum\limits_{z^{(i)}}Q_i(z^{(i)})\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})} 就是P( z^{(i)}|x^{(i)},\theta))的期望
z(i)∑Qi(z(i))Qi(z(i))P(x(i),z(i)∣θ)就是P(z(i)∣x(i),θ))的期望,所以利用Jensen不等式可得:
∑
i
=
1
m
l
o
g
∑
z
(
i
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
=
∑
i
=
1
m
l
o
g
∑
z
(
i
)
Q
i
(
z
(
i
)
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
≥
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
\sum\limits_{i=1}^m log\sum\limits_{z^{(i)}}P(x^{(i)}, z^{(i)}|\theta) = \sum\limits_{i=1}^m log\sum\limits_{z^{(i)}}Q_i(z^{(i)})\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})} \\ \geq \sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})}
i=1∑mlogz(i)∑P(x(i),z(i)∣θ)=i=1∑mlogz(i)∑Qi(z(i))Qi(z(i))P(x(i),z(i)∣θ)≥i=1∑mz(i)∑Qi(z(i))logQi(z(i))P(x(i),z(i)∣θ)
到这里,相当于求出了一个下界,但是
Q
i
(
z
(
i
)
Q_i(z^{(i)}
Qi(z(i)的选择可能会有多种,怎么样才算是最好的下界呢?凸函数的好处就在于一定存在唯一的全局最优值,而且存在于当且仅当不等式大于等于 变成了 等于 的时候!根据Jensen不等式,想要等式成立需要满足条件:
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
=
c
,
c
为
常
数
\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})} =c, c为常数
Qi(z(i))P(x(i),z(i)∣θ)=c,c为常数
考虑到
Q
i
(
z
(
i
)
Q_i(z^{(i)}
Qi(z(i)本身的分布性质,可得:
Q
i
(
z
(
i
)
)
=
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
∑
z
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
=
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
P
(
x
(
i
)
∣
θ
)
=
P
(
z
(
i
)
∣
x
(
i
)
,
θ
)
)
Q_i(z^{(i)}) = \frac{P(x^{(i)}, z^{(i)}|\theta)}{\sum\limits_{z}P(x^{(i)}, z^{(i)}|\theta)} = \frac{P(x^{(i)}, z^{(i)}|\theta)}{P(x^{(i)}|\theta)} = P( z^{(i)}|x^{(i)},\theta))
Qi(z(i))=z∑P(x(i),z(i)∣θ)P(x(i),z(i)∣θ)=P(x(i)∣θ)P(x(i),z(i)∣θ)=P(z(i)∣x(i),θ))
所以可以看出在固定了参数
θ
\theta
θ后,
Q
i
(
z
(
i
)
Q_i(z^{(i)}
Qi(z(i)求出后验概率,解决它的选择问题,确定了下界,即E步。然后那么如果能极大化这个下界,不就极大化了对数似然,解决了问题吗?即M步求解下式:
a
r
g
max
θ
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
arg \max \limits_{\theta} \sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log{P(x^{(i)}, z^{(i)}|\theta)}
argθmaxi=1∑mz(i)∑Qi(z(i))logP(x(i),z(i)∣θ)
EM算法能保证收敛吗?
证明极大似然单调增加就行了。再次的一起推导吧,即要证明:
∑
i
=
1
m
l
o
g
P
(
x
(
i
)
∣
θ
j
+
1
)
≥
∑
i
=
1
m
l
o
g
P
(
x
(
i
)
∣
θ
j
)
\sum\limits_{i=1}^m logP(x^{(i)}|\theta^{j+1}) \geq \sum\limits_{i=1}^m logP(x^{(i)}|\theta^{j})
i=1∑mlogP(x(i)∣θj+1)≥i=1∑mlogP(x(i)∣θj)
因为:
∑
i
=
1
m
l
o
g
P
(
x
(
i
)
∣
θ
)
=
∑
i
=
1
m
∑
z
(
i
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
)
)
l
o
g
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
−
∑
i
=
1
m
∑
z
(
i
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
)
)
l
o
g
P
(
z
(
i
)
∣
x
(
i
)
,
θ
)
)
\sum\limits_{i=1}^m logP(x^{(i)}|\theta) =\sum\limits_{i=1}^m\sum\limits_{z^{(i)}}P( z^{(i)}|x^{(i)},\theta^{j}))log{P(x^{(i)}, z^{(i)}|\theta)} - \sum\limits_{i=1}^m\sum\limits_{z^{(i)}}P( z^{(i)}|x^{(i)},\theta^{j}))log{P( z^{(i)}|x^{(i)},\theta)})
i=1∑mlogP(x(i)∣θ)=i=1∑mz(i)∑P(z(i)∣x(i),θj))logP(x(i),z(i)∣θ)−i=1∑mz(i)∑P(z(i)∣x(i),θj))logP(z(i)∣x(i),θ))
然后对上式取
θ
j
\theta^j
θj和
θ
j
+
1
\theta^j+1
θj+1再相减,对于前半函数
∑
i
=
1
m
∑
z
(
i
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
)
)
l
o
g
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
\sum\limits_{i=1}^m\sum\limits_{z^{(i)}}P( z^{(i)}|x^{(i)},\theta^{j}))log{P(x^{(i)}, z^{(i)}|\theta)}
i=1∑mz(i)∑P(z(i)∣x(i),θj))logP(x(i),z(i)∣θ)是我们M步要优化的部分,一定是增大的。后半部分相减可得:
∑
i
=
1
m
∑
z
(
i
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
)
l
o
g
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
+
1
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
)
\sum\limits_{i=1}^m\sum\limits_{z^{(i)}}P( z^{(i)}|x^{(i)},\theta^{j})log\frac{P( z^{(i)}|x^{(i)},\theta^{j+1})}{P( z^{(i)}|x^{(i)},\theta^j)}
i=1∑mz(i)∑P(z(i)∣x(i),θj)logP(z(i)∣x(i),θj)P(z(i)∣x(i),θj+1)
在此利用Jensen不等式,该式
≤
∑
i
=
1
m
l
o
g
(
∑
z
(
i
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
+
1
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
)
)
\leq \sum\limits_{i=1}^mlog(\sum\limits_{z^{(i)}}P( z^{(i)}|x^{(i)},\theta^{j})\frac{P( z^{(i)}|x^{(i)},\theta^{j+1})}{P( z^{(i)}|x^{(i)},\theta^j)})
≤i=1∑mlog(z(i)∑P(z(i)∣x(i),θj)P(z(i)∣x(i),θj)P(z(i)∣x(i),θj+1))
=
∑
i
=
1
m
l
o
g
(
∑
z
(
i
)
P
(
z
(
i
)
∣
x
(
i
)
,
θ
j
+
1
)
)
=
0
= \sum\limits_{i=1}^mlog(\sum\limits_{z^{(i)}}P( z^{(i)}|x^{(i)},\theta^{j+1})) = 0
=i=1∑mlog(z(i)∑P(z(i)∣x(i),θj+1))=0
至此得证。不过正因为EM算法是自收敛的分类算法,所以既不需要事先设定类别也不需要数据见的两两比较合并等操作。只不过缺点是当所要优化的函数不是凸函数时,EM算法容易给出局部最佳解,而不是最优解。
采用EM算法求解的模型有哪些,为什么不用牛顿法或梯度下降法?
蒙特卡罗算法,混合高斯、协同过滤、k-means。
因为梯度下降虽然算法一定会收敛,但是可能会收敛到局部最优,而且求和的项数会随着隐变量的数目指数上升,会给梯度计算带来麻烦。相对来说,EM算法是一种非梯度优化算法。
如何判断函数凸或非凸?
为了得到全局最优,函数的凹凸性很重要。但可惜这是一个NP难问题。
可以通过Disciplined Convex Programming(DCP):基本的凸函数原子库(atom library)和凸性演算规则(convexity calculus rules)
非凸优化问题转化为凸优化问题的方法:
1)修改目标函数,使之转化为凸函数
2)抛弃一些约束条件,使新的可行域为凸集并且包含原可行域
3)狭义的和广义的蒙特卡罗,在足够多的尝试后,几乎一定返回的是全局最优,或至少离全局最优“不那么远”。
用EM算法推导解释Kmeans
k-means是两个步骤交替进行:确定中心点,对每个样本选择最近中心点–> E步和M步。
- E步中将每个点选择最近的类优化目标函数,分给中心距它最近的类(硬分配),可以看成是EM算法中E步(软分配)的近似。
*M步中更新每个类的中心点,可以认为是在「各类分布均为单位方差的高斯分布」的假设下,最大化似然值。
实际上k-means是hard EM算法, 而普通上一般说的EM算法是soft EM。所谓hard就是0-1二分抉择(即袋子里的球要么全红要么全蓝)。 而Soft是一个概率,从这里可以再次看出为什么EM用于隐变量说明隐变量是服从某种存在的分布(隐分布)的。
广义EM算法
在上面求下界的推导中,通过观察到
∑
z
(
i
)
Q
i
(
z
(
i
)
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
就
是
P
(
z
(
i
)
∣
x
(
i
)
,
θ
)
)
的
期
望
\sum\limits_{z^{(i)}}Q_i(z^{(i)})\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})} 就是P( z^{(i)}|x^{(i)},\theta))的期望
z(i)∑Qi(z(i))Qi(z(i))P(x(i),z(i)∣θ)就是P(z(i)∣x(i),θ))的期望,所以利用Jensen不等式可得的:
∑
i
=
1
m
l
o
g
∑
z
(
i
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
=
∑
i
=
1
m
l
o
g
∑
z
(
i
)
Q
i
(
z
(
i
)
)
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
≥
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
=
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
(
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
)
−
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
(
Q
i
(
z
(
i
)
)
=
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
(
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
)
+
H
(
Q
i
)
\sum\limits_{i=1}^m log\sum\limits_{z^{(i)}}P(x^{(i)}, z^{(i)}|\theta) = \sum\limits_{i=1}^m log\sum\limits_{z^{(i)}}Q_i(z^{(i)})\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})} \\ \geq \sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})} \\ =\sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log(P(x^{(i)}, z^{(i)}|\theta))-\sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log(Q_i(z^{(i)})\\ =\sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log(P(x^{(i)}, z^{(i)}|\theta))+H(Q_i)
i=1∑mlogz(i)∑P(x(i),z(i)∣θ)=i=1∑mlogz(i)∑Qi(z(i))Qi(z(i))P(x(i),z(i)∣θ)≥i=1∑mz(i)∑Qi(z(i))logQi(z(i))P(x(i),z(i)∣θ)=i=1∑mz(i)∑Qi(z(i))log(P(x(i),z(i)∣θ))−i=1∑mz(i)∑Qi(z(i))log(Qi(z(i))=i=1∑mz(i)∑Qi(z(i))log(P(x(i),z(i)∣θ))+H(Qi)
这样不等式的右边就变成了自由能!那么E步的理解可以变为固定参数,优化隐分布, M步是固定隐分布,优化参数,即广义EM算法。
上面的式子当然还可以换种变化:
≥
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
P
(
x
(
i
)
,
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
\geq \sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log\frac{P(x^{(i)}, z^{(i)}|\theta)}{Q_i(z^{(i)})}
≥i=1∑mz(i)∑Qi(z(i))logQi(z(i))P(x(i),z(i)∣θ)
=
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
P
(
x
(
i
)
∣
z
(
i
)
,
θ
)
P
(
z
(
i
)
∣
θ
)
Q
i
(
z
(
i
)
)
=\sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log\frac{P(x^{(i)}| z^{(i)},\theta)P( z^{(i)}|\theta)}{Q_i(z^{(i)})}
=i=1∑mz(i)∑Qi(z(i))logQi(z(i))P(x(i)∣z(i),θ)P(z(i)∣θ)
=
∑
i
=
1
m
∑
z
(
i
)
Q
i
(
z
(
i
)
)
l
o
g
P
(
z
(
i
)
∣
θ
)
−
K
L
[
Q
i
(
x
i
)
∣
∣
P
(
x
i
∣
z
i
,
θ
)
]
=\sum\limits_{i=1}^m \sum\limits_{z^{(i)}}Q_i(z^{(i)})log P( z^{(i)}|\theta)-KL[Q_i(x^{i})||P(x^{i}|z^{i},\theta)]
=i=1∑mz(i)∑Qi(z(i))logP(z(i)∣θ)−KL[Qi(xi)∣∣P(xi∣zi,θ)]
没错,可以发现自由能于KL距离的关系,所以固定参数的情况下最优化KL距离,可以知道引入 Q i ( z ( i ) Q_i(z^{(i)} Qi(z(i)满足的条件只能是 ∑ z Q i ( z ( i ) ) = 1 , Q i ( z ( i ) ) ≥ 0 的 P ( x i ∣ z i , θ k − 1 ) 分 布 \sum\limits_{z}Q_i(z^{(i)}) =1,Q_i(z^{(i)})\geq0的P(x^{i}|z^{i},\theta^{k-1})分布 z∑Qi(z(i))=1,Qi(z(i))≥0的P(xi∣zi,θk−1)分布,而这是最初推导时给出的隐函数条件。即可以知道广义EM的最优分布情况就是EM算法!!
广义EM的引申特例–VBEM算法
隐分布可不是那么好算的!有限制的隐分布情况。如果隐分布有了先验分布,计算限制等的时候,E步不可能做到无限制的最优, 也就是说KL距离是无法为0。此时 引入变分思想,即VBEM。
广义EM的引申特例–Wake-Sleep算法
在有监督的Fine-Tuning可以使用BP算法, 但是无监督的Fine-Tuning,使用的是Wake-Sleep算法。 而它也是广义EM算法的一种特例,毕竟… WS算法分为认知阶段(M)和生成阶段(E)。
即认知阶段与生成阶段。
广义EM的引申特例–Gibbs Sampling
采样的本身从某种程度上它不也是无限求最优下界嘛!所以它也就是采用了蒙特卡洛方法计算的广义EM算法
WS算法是VAE和GAN组合的简化版
VAE的理解, 相对于是加了正则化的KL距离, 而对于GAN的理解相当于是加Jensen–Shannon 散度,同样可以进行自由能的计算。所以, VAE和GAN都可以理解为有特殊正则化限制的Wake-Sleep.
KL距离的统一
paper:《On surrogate loss functions and f-divergences》
无论f-散度还是bregman散度对正反KL距离的统一, 之后的广义EM算法, 都会变得空间的最优投影的交替出现。
这篇论文博主的能力和视角还不够…未来再更新。