参考资料:
术语解释:
- 隐变量指不可观测的随机变量,我们通常通过可观测变量的样本对隐变量作出推断。
- 对于同一个随机变量的两种不同的分布P(x)和Q(x), 我们可以用KL散度(KL divergence) 来描述两个分布的差异, KL散度越大, 则两个概率分布的差异越大.
1. 贝叶斯公式:
p
(
y
∣
x
)
=
p
(
x
,
y
)
p
(
x
)
=
p
(
x
∣
y
)
p
(
y
)
p
(
x
)
(1)
p(y | x)=\frac{p(x, y)}{p(x)}=\frac{p(x | y) p(y)}{p(x)} \tag{1}
p(y∣x)=p(x)p(x,y)=p(x)p(x∣y)p(y)(1)
其中
- x x x 为观测值, y y y 为发生的事件.
- p ( y ∣ x ) p(y|x) p(y∣x) 为后验.
- p ( x , y ) p(x,y) p(x,y) 为联合概率.
- p ( x ∣ y ) p(x|y) p(x∣y) 为似然.
- p ( y ) p(y) p(y) 为先验.
- p ( x ) p(x) p(x) 为 evidence (可以理解为事件的观测值).
引入全概率公式
p
(
x
)
=
∫
p
(
x
∣
y
)
p
(
y
)
d
y
p(x)=\int p(x | y) p(y) d y
p(x)=∫p(x∣y)p(y)dy, 式1可以变换为
p
(
z
∣
x
)
=
p
(
x
∣
y
)
p
(
y
)
∫
p
(
x
∣
y
)
p
(
y
)
d
y
(2)
p(z | x)=\frac{p(x | y) p(y)}{\int p(x | y) p(y) d y}\tag{2}
p(z∣x)=∫p(x∣y)p(y)dyp(x∣y)p(y)(2)
1.1 贝叶斯深度学习的训练遇到的问题
给定一个训练集
D
=
{
(
x
1
,
y
1
)
,
(
x
2
,
y
2
)
,
…
,
(
x
m
,
y
m
)
}
D=\left\{\left(\boldsymbol{x}_{1}, y_{1}\right),\left(\boldsymbol{x}_{2}, y_{2}\right), \ldots,\left(\boldsymbol{x}_{m}, y_{m}\right)\right\}
D={(x1,y1),(x2,y2),…,(xm,ym)}, 用
D
D
D 训练一个贝叶斯神经网络, 则贝叶斯公式可以写为如下形式:
p
(
w
∣
x
,
y
)
=
p
(
y
∣
x
,
w
)
p
(
w
)
∫
p
(
y
∣
x
,
w
)
p
(
w
)
d
w
(3)
p(w | \boldsymbol{x}, y)=\frac{p(y | \boldsymbol{x}, w) p(w)}{\int p(y | \boldsymbol{x}, w) p(w) d w} \tag{3}
p(w∣x,y)=∫p(y∣x,w)p(w)dwp(y∣x,w)p(w)(3)
其中,
p
(
w
)
p(w)
p(w) 通常初始化为标准高斯分布, 当
w
w
w 已知时,
p
(
y
∣
x
,
w
)
p(y | \boldsymbol{x}, w)
p(y∣x,w) 容易求得.
然而, 分母分母这个积分要在 w w w 的取值空间上进行,我们知道神经网络的单个权重的取值空间可以是实数集 R R R,而这些权重一起构成的空间将相当复杂,基本没法积分。
2. 变分推断
因为式(3)无法计算, 因此采用变分推断将推断问题转化为了求极值的优化问题.
- 马尔科夫链蒙特卡洛(MCMC) 算法当数据量较大时计算较慢, 故不采用.
思路:
用贝叶斯公式求后验.
⟶ \longrightarrow ⟶ 因为贝叶斯后验难以直接求得, 故从一族近似概率分布 Q Q Q 中选择最优概率分布 q ∗ q^* q∗ 来近似后验.
⟶ \longrightarrow ⟶ 常选取平均场变分族作为 Q Q Q, 利用 ELBO 和平均场假设, 采用 coordinate ascent variational inference 更新参数.
⟶ \longrightarrow ⟶ q ∗ q^* q∗ 中 KL 散度难以求得, 采用求 ELBO 极大值问题来等价求 KL 散度极小值问题.
Ⅰ. 思路
设 x \textbf x x 为输入的观察量, z \textbf z z 为隐藏变量, 推断问题即为依据输入数据 x \textbf x x 来得到后验条件概率分布 p ( z ∣ x ) p(\textbf z|\textbf x) p(z∣x).
变分法的基本思想是将这一问题转化为优化问题. 首先, 提出一族关于隐藏变量的近似概率分布
Q
Q
Q, 从
Q
Q
Q 中找到一个与真实后验分布
p
(
z
∣
x
)
p(\textbf z|\textbf x)
p(z∣x)的KL散度最小的分布
q
q
q, 即
q
∗
(
z
)
=
argmin
q
(
z
)
∈
Q
K
L
(
q
(
z
)
∥
p
(
z
∣
x
)
)
(4)
q^{*}({z})=\underset{q({z}) \in Q}{\operatorname{argmin}} K L(q({z}) \| p({z} | {x}))\tag{4}
q∗(z)=q(z)∈QargminKL(q(z)∥p(z∣x))(4)之后便可使用
q
∗
(
z
)
q^*(\textbf z)
q∗(z)来近似代替真实后验分布
p
(
z
∣
x
)
p(\textbf z|\textbf x)
p(z∣x). 因此变分推断将推断问题转化为了求极值的优化问题,而
Q
Q
Q 的选择决定了优化问题的难易度,变分法核心思想就是要选定这一族函数
Q
Q
Q 使得密度分布足够灵活可以近似
p
(
z
∣
x
)
p(\textbf z|\textbf x)
p(z∣x) 的分布,同时又足够简单使得我们可以进行高效的优化。
Ⅱ. 变分推断详述
在求解式(4)中KL散度时(具体推导查看原文)会遇到困难, 因此我们无法直接计算 KL. 故我们引入 evidence lower bound(简称ELBO):
E
L
B
O
(
q
)
=
E
[
log
p
(
z
,
x
)
]
−
E
[
log
q
(
z
)
]
(5)
E L B O(q)=E[\log p({z}, {x})]-E[\log q({z})]\tag{5}
ELBO(q)=E[logp(z,x)]−E[logq(z)](5)
可以看到, 极小化KL divergence的问题与极大化 ELBO 的优化问题是等价的。因此,我们将难以求解的KL极值问题转化为易于求解的对ELBO的极值问题。
之前我们说我们选择一族合适的近似概率分布 Q Q Q,那么实际问题中,我们可以选择什么形式的 Q Q Q 呢?
一个简单而有效的变分族为平均场变分族(mean-field variational family)。利用ELBO和平均场假设,我们就可以利用coordinate ascent variational inference(简称CAVI) 方法来处理. 经过推导, 可以得到 coordinate ascent 的更新法则为:
q
∗
(
z
k
)
∝
exp
E
−
k
[
log
p
(
z
k
,
z
−
k
,
x
)
]
(6)
q^{*}\left(z_{k}\right) \propto \exp E_{-k}\left[\log p\left(z_{k}, z_{-k}, x\right)\right]\tag{6}
q∗(zk)∝expE−k[logp(zk,z−k,x)](6)我们可以利用这一法则不断的固定其他的
z
z
z 的坐标来更新当前的坐标对应的
z
z
z 值,这与 Gibbs Sampling 过程类似, 不过 Gibbs Sampling 是不断的从条件概率中采样,而 CAVI 算法中是不断的用如下形式更新:
q
∗
(
z
k
)
∝
exp
E
[
log
(
conditional
)
]
(7)
q^{*}\left(z_{k}\right) \propto \exp E[\text {log}(\text { conditional })]\tag{7}
q∗(zk)∝expE[log( conditional )](7)
其完整算法如下: