改进的迭代尺度算法（IIS）

改进的迭代尺度算法（Improved Iterative Scaling ，IIS）

改进的迭代尺度算法是一种最大熵模型学习的最优化方法，其核心思想是：假设最大熵模型当前的参数向量是 $w$，希望找到一个新的参数向量 $w+\delta$，使得当前模型的对数似然函数值 $\Psi$ 增加。重复这一过程，直至找到对数似然函数的最大值。

已知最大熵模型为：
$$P_w(y|x)=\frac{1}{Z_w(x)}\exp \left(\sum _{i=1}^n{w}_i{f}_i(x,y)\right)\text{\hspace{1em}(1)}$$
其中$$Z_w(x)=\sum _y\exp \left(\sum _{i=1}^n{w}_i{f}_i(x,y)\right)（规范化因子）\text{\hspace{1em}(2)}$$
$$f(x,y)=\{\begin{array}{c}1，若x,y满足某一事实\\ 0，否则\end{array}$$
对数似然函数：
$$\Psi (w)=\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{w}_i{f}_i(x,y)-\sum _x\tilde{p}(x)\log Z_w(x)\text{\hspace{1em}(3)}$$
其中，${\sum }_{x,y}\tilde{p}(x,y)={\sum }_x\tilde{p}(x)$

可以看到 $\Psi \le 0$，所以，$\Psi (w)=0$ 是最优的。

现在我们需要求的就是使 $\Psi (w)$ 值最大时所对应的参数 $w$ 的值。

给定特征函数集 $f_1,f_2,...,f_n$，最大熵模型（1）和经验分布 $\tilde{P}(x,y)$，下面求 $W^{\ast }$，使得 $W^{\ast }=\arg {\max }_w\Psi (w)$
由定义：$$\Psi (w)=\sum _{x,y}\tilde{p}(x,y)\log p_w(y|x)\text{\hspace{1em}(4)}$$

IIS 的想法是：假设最大熵模型当前的参数向量是 $w=(w_1,w_2,...,w_n{)}^T$，我们希望找到一个新的参数向量 $w+\delta =(w_1+{\delta }_1,w_2+{\delta }_2,,...,w_n+{\delta }_n{)}^T$，使得模型的对数似然函数值增大。如果能有一种向量的更新方法：$w:w+\delta$，那么就可以重复使用这一方法直到找到对数似然函数得最大值。

第一步：

由（4）得，模型参数从 $w$ 到 $w+\delta$，对数似然函数得改变量为：
$$\begin{gathered} \Psi (w+\delta )-\Psi (w)\stackrel{由（4）式}{=}\sum _{x,y}\tilde{p}(x,y)\log p_{w+\delta }(y|x)-\sum _{x,y}\tilde{p}(x,y)\log p_w(y|x) \\ \stackrel{由（3）式}{=}\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n(w_i+{\delta }_i)f_i(x,y)-\sum _x\tilde{p}(x)\log Z_{w+\delta }(x)-\left(\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{w}_i{f}_i(x,y)-\sum _x\tilde{p}(x)\log Z_w(x)\right) \\ =\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)-\sum _x\tilde{p}(x)\log \frac{Z_{w+\delta }(x)}{Z_w(x)} \end{gathered}$$

利用不等式：$-\log \alpha \ge 1-\alpha (\alpha >0)$ ( 由 $x\le e^{x-1}(x>0)\Rightarrow \log x\le x-1(x>0)$ 得到上述不等式）

建立对数似然函数改变量的下界：
$$\begin{gathered} \Rightarrow \Psi (w+\delta )-\Psi (w)\ge \sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)-\sum _x\tilde{p}(x)\left(\frac{Z_{w+\delta }(x)}{Z_w(x)}-1\right) \\ =\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)+1-\sum _x\tilde{p}(x)\frac{Z_{w+\delta }(x)}{Z_w(x)} \end{gathered}$$
对于 $\frac{Z_{w+\delta }(x)}{Z_w(x)}$，根据 $Z_w(x)={\sum }_y\exp ({\sum }_{i=1}^n{w}_i{f}_i(x,y))$
$$\begin{gathered} \Rightarrow \frac{Z_{w+\delta }(x)}{Z_w(x)}=\frac{1}{Z_w(x)}\cdot \sum _y\exp \left(\sum _{i=1}^n(w_i+{\delta }_i)f_i(x,y)\right) \\ =\frac{1}{Z_w(x)}\cdot \sum _y\exp \left(\sum _{i=1}^n{w}_i{f}_i(x,y)+\sum _{i=1}^n{\delta }_i{f}_i(x,y)\right) \\ =\frac{1}{Z_w(x)}\sum _y\exp \left(\sum _{i=1}^n{w}_i{f}_i(x,y)\right)\exp \left(\sum _{i=1}^n{\delta }_i{f}_i(x,y)\right) \\ =\sum _y\frac{1}{Z_w(x)}\exp \left(\sum _{i=1}^n{w}_i{f}_i(x,y)\right)\exp \left(\sum _{i=1}^n{\delta }_i{f}_i(x,y)\right) \\ =\sum _y{p}_w(y|x)\cdot \exp \left(\sum _{i=1}^n{\delta }_i{f}_i(x,y)\right) \end{gathered}$$
将上述式子代入 $\Psi (w+\delta )-\Psi (w)$ 中
$$\Rightarrow \Psi (w+\delta )-\Psi (w)\ge \sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)+1-\sum _x\tilde{p}(x)\sum _y{p}_w(y|x)\exp \left(\sum _{i=1}^n{\delta }_i{f}_i(x,y)\right)$$

将不等式右端记为$$A(\delta |w)=\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)+1-\sum _x\tilde{p}(x)\sum _y{p}_w(y|x)\exp \left(\sum _{i=1}^n{\delta }_i{f}_i(x,y)\right)\text{\hspace{1em}(5)}$$
于是
$$\Rightarrow \Psi (w+\delta )-\Psi (w)\ge A(\delta |w)$$
即 $A(\delta |w)$ 是对数似然函数改变量的一个下界。

第二步

现目标是：找到适当的 $\delta$ ，使得下界 $A(\delta |w)$ 提高，则似然函数也会提高，但 $A(\delta |w)$ 是一个$n$维向量，不易于同时优化，IIS 试图一次优化其中一个 ${\delta }_i$ ，而固定其它 ${\delta }_j$ 不变，$i̸=j$。

注意：
这里的目的就是最大化两次迭代之间的差值。
1.差值的最大值如果小于 0，说明这时已经达到了最大值，在当前位置向任何方向走，对数似然函数都会变小，而我们要求的是极大似然函数，所以已经达到最大的似然函数了，此时的参数即为我们所求的参数。
2.差值如果大于 0，那么我们现在就是要最大化这个差值，这里得到了差值的下界 $A(\delta |w)$ ，可以通过不断地最大化此下界，从而得到最大的差值，而最大化下界的方法是：首先对 $A(\delta |w)$ 求关于 ${\delta }_i$ 的偏导数，并令其为 0，但看这个求出的偏导数：
$$\frac{\partial (A(\delta |w))}{\partial {\delta }_i}=\sum _{x,y}\tilde{p}(x,y)f_i(x,y)-\sum _x\tilde{p}(x)\sum _y{p}_w(y|x)\exp \left(\sum _{i=1}^n{\delta }_i{f}_i(x,y)\right)f_i(x,y)$$
里面含有多个变量，不易同时优化。

因此为达到这一目的并进一步降低下界 $A(\delta |w)$ ，IIS 引进一个新的量：
$$f^{\#}(x,y)=\sum _i{f}_i(x,y)$$
因为 $f_i(x,y)$ 是一个二值函数，所以 $f^{\#}(x,y)$ 表示所有特征在 $(x,y)$ 出现的次数。
所以（5）式可改写为：
$$\Rightarrow A(\delta |w)=\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)+1-\sum _x\tilde{p}(x）\sum _y{p}_w(y|x)\exp \left(f^{\#}(x,y)\sum _{i=1}^n\frac{{\delta }_i{f}_i(x,y)}{f^{\#}(x,y)}\right)$$
利用指数函数的凸函数性质，及对任意 $i$，有 $\frac{f_i(x,y)}{f^{\#}(x,y)}\ge 0$ 且 ${\sum }_{i=1}^n\frac{f_i(x,y)}{f^{\#}(x,y)}=1$，利用詹森不等式：
$$\exp \left(\sum _{x}p(x)q(x)\right)\le \sum _{x}p(x)\exp q(x)$$
令 $p(x)=\frac{f_i(x,y)}{f^{\#}(x,y)}$,$q(x)={\delta }_i{f}^{\#}(x,y)$
$$\begin{gathered} \Rightarrow A(\delta |w)=\sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)+1-\sum _x\tilde{p}(x)\sum _y{p}_w(y|x)\exp \left(\sum _{i=1}^n\frac{{\delta }_i{f}_i(x,y)f^{\#}(x,y)}{f^{\#}(x,y)}\right) \\ \ge \sum _{x,y}\tilde{p}(x,y)\sum _{i=1}^n{\delta }_i{f}_i(x,y)+1-\sum _x\tilde{p}(x)\sum _y{p}_w(y|x)\sum _{i=1}^n\left(\frac{f_i(x,y)}{f^{\#}(x,y)}\right)\exp ({\delta }_i{f}^{\#}(x,y))\text{\hspace{1em}(6)} \end{gathered}$$
将上述不等式右边记为 $B(\delta |w)$ ，则：$\Psi (w+\delta )-\Psi (w)\ge B(\delta |w)$
这里，$B(\delta |w)$ 是对数似然函数改变量的一个新的下界。

第三步

对于新下界 $B(\delta |w)$，对 ${\delta }_i$ 求偏导得（注意：这里是对一项 ${\delta }_i$ 求偏导，而非所有 $\delta$）
$$\frac{\partial (B(\delta |w))}{\partial {\delta }_i}=\sum _{x,y}\tilde{p}(x,y)f_i(x,y)-\sum _x\tilde{p}(x)\sum _y{p}_w(y|x)f_i(x,y)\exp ({\delta }_i{f}^{\#}(x,y))$$
其中，${\left({\sum }_{i=1}^n(\frac{f_i(x,y)}{f^{\#}(x,y)})\exp ({\delta }_i{f}^{\#}(x,y))\right)}_{{\delta }_i}^{{}^{\prime }}\stackrel{(\sum a\cdot e^{{\delta }_{i}b}{)}_{{\delta }_i}^{{}^{\prime }}=ab\cdot e^{{\delta }_{i}b}}{=}\frac{f_i(x,y)}{f^{\#}(x,y)}\cdot f^{\#}(x,y)\cdot \exp ({\delta }_i{f}^{\#}(x,y))$

这里，偏导数 $\frac{\partial (B(\delta |w))}{\partial {\delta }_i}$ 中除 ${\delta }_i$ 以外，不含任何其他变量，令 $\frac{\partial (B(\delta |w))}{\partial {\delta }_i}=0$
$$\begin{gathered} \Rightarrow \sum _x\tilde{p}(x)\sum _y{p}_w(y|x)f_i(x,y)\exp ({\delta }_i{f}^{\#}(x,y))=\sum _{x,y}\tilde{p}(x,y)f_i(x,y) \\ \Rightarrow \sum _{x,y}\tilde{p}(x)p_w(y|x)f_i(x,y)\exp ({\delta }_i{f}^{\#}(x,y))=E_{\tilde{p}}(f_i)\text{\hspace{1em}(7)} \end{gathered}$$
依次对 ${\delta }_i$ 求解方程（7），从而求出 $\delta$ ，这样就可以 $W^{\ast }=(w_1,w_2,...,w_n)$ 的值进行更新了。

---

算法描述

改进的迭代尺度算法IIS

输入：特征函数 $f_1,f_2,..,f_n$；经验分布函数 $\tilde{p}(X,Y)$，模型 $P_w(y|x)$；
输出：最优参数值 $w^{\ast }$；最优模型 $P_{w^{\ast }}$。

（1）对所有 i ∈ { 1 , 2 , . . . , n } i \in \left \{ 1,2,...,n\right \} i∈{1,2,...,n}，取初值 $w_i=0$；
（2）对每一个 i ∈ { 1 , 2 , . . . , n } i \in \left \{ 1,2,...,n\right \} i∈{1,2,...,n}：

• （a）令 ${\delta }_i$ 是方程 ${\sum }_{x,y}\tilde{p}(x)p_w(y|x)f_i(x,y)\exp ({\delta }_i{f}^{\#}(x,y))=E_{\tilde{p}}(f_i)$ 的解，这里，$f^{\#}(x,y)={\sum }_i{f}_{}(x,y)$
• （b）更新 $w_i$ 值：$w_i\to w_i+{\delta }_i$

（3）如果不是所有的 $w_i$ 都收敛，重复（2）。

这一算法关键是（a），即求解方程（7）中的 ${\delta }_i$ 。
如果 $f^{\#}(x,y)$ 是常数，即对任何 $x,y$ 有 $f^{\#}(x,y)=M$，那么 ${\delta }_i$ 可以显示地表示成${\delta }_i=\frac{1}{M}\log \frac{E_{\tilde{p}}(f_i)}{E_p(f_i)}$ ；
如果 $f^{\#}(x,y)$ 不是常数，那么必须通过数值计算求 ${\delta }_i$ 。
（注意：这里 $f^{\#}$ 是 $f$ 的加权和，为什么$f^{\#}$可能不为常数呢？因为离线训练中是常数，在线训练（增量式训练样本）中就不是常数。）

简单有效的方法是：牛顿法。以 $g({\delta }_i)=0$ 表示方程（7），牛顿法通过迭代求得 ${\delta }_i^{\ast }$ ，使得 $g({\delta }_i^{\ast })=0$
迭代公式为：
$${\delta }_i^{(k+1)}={\delta }_i^{(k)}-\frac{g({\delta }_i^{(k)})}{g^{{}^{\prime }}({\delta }_i^{(k)})}$$
只要适当选取初始值 ${\delta }_i^{(0)}$ ，由于 ${\delta }_i$ 的方程（7）有单根，因此牛顿法恒收敛，而且收敛的速度很快。