在GMM/HMM(语音识别)训练过程中,需要使用EM算法进行求解模型参数。所以,本文主要推导一下EM算法。即明白什么是期望最大化?
Outline:
- 极大似然估计(Maximum Likelihood Estimation, MLE)
- 期望最大化算法(Expectation Maximization, EM)
我们知道如果概率模型的变量都是观测变量,那么给定数据,可以直接用极大似然估计法(MLE),或者贝叶斯估计法来估计模型参数(如:求在校学生身高分布)。然而,当模型中含有隐藏变量时,就不能简单地使用这些估计方法(如:《统计学习方法-李航》中的三硬币模型)。所以,在含有隐变量(Latent Variables)统计模型中,就需要利用EM算法来找到符合观测数据的最大似然的模型参数。
1.极大似然估计(Maximum Likelihood Estimation, MLE)
假如有
n
个独立同分布的观测值
所有观测的联合密度函数:
θ 似然函数:
极大化似然函数:
得到的 θ^ 作为 θ 的极大似然估计,这样我们就求出了模型参数了。
2.期望最大化算法(Expectation Maximization,EM)
然而在一些实际问题中,所要求解的概率模型含有Latent Variable,导致无法利用ML直接计算。(注:下式是向量形式,对向量形式求概率实际上对每一个观测值概率做累乘, ∑Z 是对所以 zi 求和)
因为有Latent Variable存在,在求 时会遇到困难。所以应把Latent Variable考虑进去求解
我们的目标是最大化 L(θ) ,即在迭代过程中,让 L(θ)>L(θn) 。相当于最大化
(2.4)到(2.5),
P(Z|X,θn)
满足
λi≥0
且
∑n1=1
,恰好下一步应用Jensen不等式。
(2.4)到(2.5),利用到了Jensen不等式:
ln∑n1λixi≥∑n1λilnxi
;
λi≥0
且
∑niλi=1
。
(2.5)到(2.6),利用
lnP(X|θn)=∑ZP(Z|X,θn)lnP(X|θn)
。令
当 θ=θn 时, L(θn)=l(θn|θn) 。即 l(θn|θn) 为 L(θn) 的下界。最大化 l(θn|θn) ,移除常数项
以上就是EM算法的导出过程。
Q(θ,θn)
是指完全数据的对数似然函数
ln[P(X,Z|、theta)]
关于给定观测数据
X
和当前参数
- Expectation-Step: 确定条件期望
Q(θ,θn)
- Maximization-Step: 最大化期望值,更新
θn+1=argmaxθQ(θ,θn)
但实际使用中,可能有点misnomer。因为我们这样使用:
1. 选择初始值 ,开始迭代;
2. E-step:计算的是有关
Q(θ,θn)
固定的数据依赖的参数;
3. M-step:更新模型参数
θn+1
;
4. 重复2, 3,直至收敛
具体EM算法收敛性证明,见参考资料:《统计学习方法_9.2》- 李航