期望最大化(EM)算法
1.前言
概率模型有时候既含有观测变量,又含有隐变量。只含有观测变量的情况下,直接对观测值进行极大似然估计便能够求出参数;比如抛一枚不均匀硬币n次,极大似然估计能够求解出正反面分别出现的概率。在含有隐变量的情况下,无法通过极大似然估计求得;比如手中有三枚不均匀硬币,先从中选取一枚硬币,然后再抛,得到的正反面为观测值;如果直接用极大似然估计,无法体现选择硬币的过程,错误地将三枚硬币视为同一枚硬币。本文要介绍的期望最大化算法便是用来求解含有隐变量的概率模型。
2.算法导出
EM算法实质是极大似然估计的变型,是由极大化似然函数导出的。回到三硬币的例子,将选择硬币的事件记为隐变量Z,所求参数记为
θ,观测值硬币正反面记为
Y,于是似然函数为
L(θ)=logP(Y∣θ)
上式中不包含隐变量Z,于是引入隐变量Z可得
L(θ)=logP(Y∣θ)=logZ∑P(Y,Z∣θ)
上式极大化无法直接通过偏导求出,可采用迭代法求解,假设当前参数值为
θi,迭代法希望每一步
θ都能够使得
L(θ)−L(θi)最大化,即
L(θ)−L(θi)=logZ∑P(Y,Z∣θ)−logP(Y∣θi)=logZ∑P(Y∣θi)P(Y,Z∣θ)=logZ∑P(Z∣Y,θi)P(Y∣θi)P(Z∣Y,θi)P(Y,Z∣θ)
又因为log函数是凹函数并且
∑ZP(Z∣Y,θi)=1,由琴生不等式可得
L(θ)−L(θi)=logZ∑P(Z∣Y,θi)P(Y∣θi)P(Z∣Y,θi)P(Y,Z∣θ)≥Z∑P(Z∣Y,θi)logP(Y∣θi)P(Z∣Y,θi)P(Y,Z∣θ)=Z∑P(Z∣Y,θi)logP(Y,Z∣θi)P(Y,Z∣θ)=Z∑P(Z∣Y,θi)logP(Y,Z∣θ)−Z∑P(Z∣Y,θi)logP(Y,Z∣θi)=△B(θ,θi)
所以,
B(θ,θi)是
L(θ)−L(θi)的下界,即最大化下界等价于最大化原函数
θ=argθmaxL(θ)−L(θi)=argθmaxB(θ,θi)=argθmaxZ∑P(Z∣Y,θi)logP(Y,Z∣θ)−Z∑P(Z∣Y,θi)logP(Y,Z∣θi)
又因为上式中,后项与因变量
θ无关,可舍去,即
θ=argθmaxZ∑P(Z∣Y,θi)logP(Y,Z∣θ)=argθmaxEZ[logP(Y,Z∣θ)∣Y,θi]=△argθmaxQ(θ,θi)
于是极大似然估计等价于最大化
Q(θ,θi)函数。
综上所述,导出期望最大化算法:
-
第一步(E步):求解期望Q函数
Q(θ,θi)=EZ[logP(Y,Z∣θ)∣Y,θi]
-
第二步(M步):最大化Q函数
3.高斯混合模型
接下来举例介绍下EM算法应该如何使用,高斯分布是常用的概率分布,但是在实际问题中有些概率模型并不是单一高斯分布能够表示。比如说身高问题,我们可以假设身高满足单一高斯分布状态,两头少中间多,但身高跟性别有一定关系,更好地假设是,男生女生身高各满足一个不同的高斯分布。假设男女生出现的概率是
αi,i=0,1,并且身高分别满足高斯分布
φ(μi,σi),i=0,1,那么一个人身高为x的概率是
P(x)=∑i=01αiφ(μi,σi)。这样的概率分布就是混合高斯分布。
混合高斯分布的一般形式是
P(Y∣α,μ,σ)=k=1∑Kαkφ(μk,σk)
假设观测值集合为Y,使用EM算法求解高斯混合模型:
1.求解Q函数(E步)
混合高斯分布可以视为两步,第一步以一定概率选择某一高斯分布,第二步根据该高斯分布确定概率。观测值记为Y,隐变量为选择哪一种高斯分布,记为
γ,且定义
γjk={1,0,第j个样本选择第k个高斯分布否则
完整似然函数为
P(Y,Γ∣θ)=j=1∏NP(yj,γj1,γj2,…γjK∣θ)=j=1∏Nk=1∏K[αkφ(μk,σk)]γjk=j=1∏Nk=1∏K[αk2π
δk1e−2δk2(yj−μk)2]γjk
取对数得
logP(Y,Γ∣θ)=j=1∑Nk=1∑Kγjklog[αk2π
δk1e−2δk2(yj−μk)2]=j=1∑Nk=1∑Kγjk[logαk−log(2π
)−logδk−2δk2(yj−μk)2]
于是,
Q(θ,θi)=EΓ[logP(Y,Γ∣θ)∣Y,θi]=j=1∑Nk=1∑KE[γjk∣Y,θi][logαk−log(2π
)−logδk−2δk2(yi−μk)2]
上式中需要计算
E[γjk∣Y,θi],记为
γ^jk,即有
γ^jk=E[γjk∣Y,θi]=P(γjk=1∣Y,θi)
由贝叶斯公式得
P(γjk=1∣Y,θi)=∑k=1KP(yj∣γjk=1,θi)P(γjk=1∣θi)P(yj∣γjk=1,θi)P(γjk=1∣θi)=∑k=1Kφ(yj∣θk)αkφ(yj∣θk)αk
于是
γjk^表示响应度,即对于第j个样本数据,属于第k个高斯分布的概率,可以由上一步参数来进行计算。
于是有,
Q(θ,θi)=j=1∑Nk=1∑Kγjk^[logαk−log(2π
)−logδk−2δk2(yj−μk)2]
2.求最大化操作(M步)
Q函数对
μ,δ分别求偏导可得
∂μk∂Q=j=1∑Nγ^jkδk2yj−μk
∂δk∂Q=j=1∑Nγ^jk[−δk1+δk3(yj−μk)2]
将以上两式得零可以推导出
μ^k=∑j=1Nγ^jk∑j=1Nγ^jk⋅yj,k=1,2,…,K
δ^k2=∑j=1Nγ^jk∑j=1Nγ^jk⋅(yj−μk)2,k=1,2,…,K
结合约束条件
∑k=1Kαk=1,求Q函数拉格朗日函数有
L(λ,α)=Q(α)+λ⋅(k=1∑Kαk−1)
分别对
α,λ求偏导得
∂αk∂L=j=1∑Nγ^jkαk1+λ, k=1,2,…,K
∂λ∂L=k=1∑Kαk−1
令上两式为零,可得
α^k=∑j=1N∑k=1Kγ^jk∑j=1Nγ^jk=N∑j=1Nγ^jk,k=1,2,…,K
综上所述,高斯混合模型(GMM)模型算法流程如下:
-
1.初始化各参数
-
2.按照上一次参数更新响应度
γ^jk=∑k=1Kφ(yj∣θk)αkφ(yj∣θk)αk,k=1,2,…,K;j=1,2,…,N
-
3.更新模型参数
μ^k=∑j=1Nγ^jk∑j=1Nγ^jk⋅yj,k=1,2,…,K
δ^k2=∑j=1Nγ^jk∑j=1Nγ^jk⋅(yj−μk)2,k=1,2,…,K
α^k=∑j=1N∑k=1Kγ^jk∑j=1Nγ^jk=N∑j=1Nγ^jk,k=1,2,…,K
-
4.重复上述过程直至收敛
4.参考资料