【机器学习】 贝叶斯理论的变分推理

许志永

一、说明

贝叶斯原理，站在概率角度上似乎容易解释，但站在函数立场上就不那么容易了；然而，在高端数学模型中，必须要在函数和集合立场上有一套完整的概念，其迭代和运算才能有坚定的理论基础。

二、贝叶斯概念的难处

2.1 并不简单

贝叶斯定理看起来天真地简单。但是，分母是在 z 上积分的分区函数，就不简单了。一般来说，它不能通过分析来解决。即使我们可以对已知分布族的先验和可能性进行建模，后验 p（z |x）总体上仍然难以解决。

让我们用一个简单的例子来演示它的复杂性。我们使用多项式分布来选择 K 正态分布之一。然后，我们使用选定的正态分布对 xi进行采样。如图所示，后部的复杂性已经无法控制。

从源代码修改

另一种方法是近似解。在 ML 中，有两种主要的近似方法。它们是采样和变分推理。在本文中，我们将讨论后者。

在变分推理 中，给定观测值 X，w e 为潜在变量 z 构建概率模型 q，即 q ≈p （z|X）。

上面的边际 p （X） 可以计算为：

在变分推理中，我们避免计算边际 p （X ）。这种分区功能通常很讨厌。相反，我们选择一些易于处理的分布族 q来近似p。

我们将 q 与样本数据拟合，以了解分布参数 θ。当我们为 q 做出选择时，我们确保它易于操作。例如，它的期望和归一化因子可以直接从分布参数计算。由于这个选择，我们可以用 q 代替 p 进行任何推断或分析。

2.2 概述

虽然这个概念听起来很简单，但细节却并非如此。在本节中，我们将详细介绍著名的主题建模算法（称为潜在狄利克雷分配（LDA）的主要步骤。我们希望这能为您提供一个顶级概述，然后再深入研究细节和证明。

以下是 LDA 的图形模型。

该模型包含变量 α、β、θ、z 和 w。不要担心变量的含义，因为它在我们的上下文中并不重要。 w 是我们的观察结果。 θ 和 z 是我们想要发现的隐藏变量（潜在因子）。 α 和 β 在我们的讨论中是固定且已知的。图形模型中的箭头表示依赖性。例如，w 仅取决于 z 和 β。因此，p(w|α, β, θ, z) 可以简化为 p(w|z, β)。

与许多概率模型一样，我们感兴趣的是在给定已知输入的情况下对联合分布 p(w, θ, z |α, β) 进行建模。我们应用链式法则来扩展联合概率，使其仅由单个变量的分布组成。然后，我们应用图中的依赖关系来简化每一项。我们得到：

基于主题建模问题，θ 和w 可以用狄利克雷分布建模，z 可以用多项式分布建模。我们的目标是用 q 近似 所有隐藏变量 θ 和 z。

我们定义了一个目标来最小化 p 和 q 之间的差异。这可以通过最大化下面的ELBO（证据下限）来完成。

即使不是那么明显，当 p 和 q 相同时，ELBO 会最大化。然而，联合概率q （θ， z ）仍然很难建模。我们将它分解并近似为 q（θ*，* z） ≈ q（θ ） q （z ）。即使它可能不完美，经验结果通常也是好的。 z 由多个变量 z₁、z₂、z₃、... 组成。并且可以分解为单个组件，如 Q （z₁ ）Q （z ₂）...因此，q的最终模型为：

根据主题建模问题，我们可以对具有狄利克雷分布的 θ 和具有多项分布的 zi 进行建模，并使用 γ 和 φi 对相应的分布参数进行建模。这是一个伟大的里程碑，因为我们设法用单个隐藏变量的分布对复杂模型进行建模，并为每个隐藏变量选择一个可处理的分布。剩下的问题是如何学习γ 和φi。让我们回到ELBO目标：

在许多 ML 问题中，为了有效地对问题进行建模，隐藏变量通常相互依赖。我们无法一步优化它们。相反，我们一次优化一个变量，同时保持其他变量固定。因此，我们轮流旋转隐藏变量以交替步骤进行优化，直到解决方案收敛。在 LDA 中，z 和 θ分别在下面的步骤 5 和 6 中进行优化。

源

剩下的主要问题是如何在修复其他参数的同时优化变分参数。在每次迭代中，目标隐变量 zk的最佳分布为：

分子对除 zk 之外的所有隐藏变量进行积分。

听起来我们正在重新引入邪恶的双胞胎：正常化因素。尽管如此，这不会成为问题。我们选择 q 作为可处理的分布。它们的期望和归一化可以从分布参数分析中得出。

等式中的分子值得更多解释。对于正则期望 E[f （x₁， x₂， x₃ ）]，我们评估所有变量的 f。

但是对于我们的分子，我们省略了目标变量。

即，

-k 是以下的缩写：

但是，我们不会在计算期望时执行积分。我们对 qi 的选择使我们能够简化 ELBO 最大化中的许多计算。让我们更详细地介绍一下。

在 LDA 中，q 近似为：

其中 θ 和z 分别由γ 和 φ 建模。我们的计算涉及：

1. 将 ELBO 扩展到单个变量
2. 计算预期值
3. 优化 ELBO

展开 ELBO

使用图形模型和链式规则，我们将ELBO扩展为：

计算预期值

我们不想用细节让您不知所措。因此，我们仅演示如何仅计算第一个项的期望。首先，θ 由参数为 α 的狄利克雷分布建模。

接下来，我们将计算其期望值 w.r.t. q。

这里没有证明，E[log θi] 可以直接从γ计算出来。

我们深思熟虑地选择 q，通常使用基于问题陈述中隐藏变量属性的已知分布。数学家已经分析解决了这些期望表达式。我们甚至不担心归一化因素。

优化 ELBO

在我们扩展 ELBO 中所有剩余的项后，我们可以将其区分为 w.r.t. γi （γ 中的第 i 个参数）和φ ni （第 n 个单词中的第 i 个参数）。 通过将导数设置为零，我们找到了γi的最佳解：

φni的最佳解决方案将是：

由于γ 和φ ni之间存在依赖关系，我们将以交替的步骤迭代优化参数。

Source

以下是概述。对于其余的文章，我们将介绍变分推理、证明和详细示例中的一些主要设计决策。

三、KL-背离

为了找到q ，我们将问题变成优化问题。我们计算 q 的最佳参数，以最小化目标 p* 的反向 KL 发散。

如前所述，KL-发散不是对称的。q的最优解只有在q复杂到足以对p进行建模时， KL*（* p，q）和KL （q ，p ）的最优解才会相同。这就提出了一个重要的问题，即当KL-发散KL（p，q）与p的期望更匹配时，为什么使用反向KL -散度KL （q， p）。例如，当使用高斯分布对蓝色双峰分布进行建模时，反向KL散度解将是图中的红色曲线（b）或（c）。两种解决方案仅涵盖一种模式。

源

但是，（a） 中的 KL 散度解将覆盖大部分原始分布，其均值将与 p* 的均值匹配。

矩（包括均值和方差）描述了分布。KL-散度解是力矩投影（m-投影）。它将 q 与 p 的矩匹配。如果我们匹配所有矩参数，它们将完全相同。如果 q 使用指数分布族，我们可以使用 KL-散度将 q 的矩与 p* 精确匹配。这里没有太多解释，他们预期的足够统计数据将匹配。

（即 p =q ）反向KL散度是一种信息投影（i-投影），不一定产生正确的时刻。由此判断，我们可以得出结论，m投影是优越的。但是，如果一个机制可以完全匹配p*，那么这样的机制也需要完全理解p*，这首先是困难的。所以听起来并不像它可能的那样好。

在变分推理中，使用 i 投影代替。为了证明我们的选择是合理的，让我们提出一些我们想要遵循的约束。首先，我们要避免分区函数的计算，计算困难。其次，我们希望避免计算p （z ），因为我们需要分区函数来计算它。因此，让我们为 p 定义一个新术语，即非规范化分布，它将分区函数分开。

让我们将新定义代入反向KL背离。

Z 不会改变 w.r.t. q。当我们最小化反向KL发散时，可以忽略它。

这是个好消息。在图形模型中，非规范化的 p 是使用因子明确定义的。它们易于计算，并且 R.H.S. 中的目标不需要任何规范化。使用反向KL散度是一个很好的折衷方案，即使在某些情况下它可能并不完美。对于 q 与 p* 相比过于简单，结果可能会造成伤害。然而，变异推断通常显示出良好的经验结果。接下来，让我们看看如何优化反向KL发散。

四、证据下限

让我们在下面介绍凸函数 f和称为证据下界 （ELBO） 的项的詹森不等式
该图源自维基百科

ELBO 实际上是在最后一步中对凹函数应用詹森不等式后的证据的下限（log p （x））。

从源代码修改

ELBO与KL背离有关：

从源代码修改

现在让 Z 成为边际 p （x ）。不要将 Z 与隐藏变量 z 混淆。不幸的是，我们需要用大写字母重载符号，因为 Z 在其他文献中经常使用。

Z 不会改变我们对 q 的建模方式。所以从优化 q 的角度来看，log Z 是一个常数。

因此，最小化KL发散度将与最大化ELBO相同。直观地说，给定任何分布 q ，ELBO 始终是 log Z 的下限。但是，当 q 等于 p* 时，差距减小到零。因此，最大化ELBO将KL发散度降低到零。

通过最大化证据下限ELBO，我们最小化了两个数据分布的差异。

让我们将 ELBO 概括为

其中 Z 现在是一般归一化因子。

同样，如上所示，最大化ELBO与最小化KL散度相同，因为Z 不会因我们对q进行建模的方式而变化。

这比KL背离带来了一个主要优势。ELBO 适用于归一化和非归一化分布，无需计算常规 KL 散度定义所需的 Z。

ELBO 和图形模型（可选）

让我们演示如何使用图形模型在 ELBO 中计算非归一化分布。联合概率分布可以通过马尔可夫随机场建模为：

我们将ELBO中的非规范化p替换为上面φ因子。

因此，最小化KL发散等效于最小化吉布斯自由能。我们称之为自由能，因为它是我们可以通过改变配置来操纵的能量的一部分。如果我们使用能量模型扩展模型，则可以进一步扩展此模型。

五、平均场变分推理

（信用：证明和方程起源于这里。

不要太快开心。我们错过了变分推理中重要而困难的一步。q 的选择是什么？当 q 包含多个变量时，即 q（z） = q （z₁， z₂， z₃， ...），这可能非常困难。为了进一步降低复杂性，平均场变分推理做出了一个大胆的假设，即分布可以分解为分布，每个分布仅涉及一个隐藏变量。

然后，我们根据问题使用可处理的分布对每个分布进行建模。我们选择的分布将易于分析。例如，如果 z₁是多项式，我们使用多项式分布对其进行建模。如前所述，许多隐藏变量相互依赖。因此，我们将使用坐标下降来优化它。我们将隐藏变量分组为每个包含自变量的组。我们交替旋转和优化每组变量，直到解决方案收敛。

所以最后一个难题是如何在每个迭代步骤中优化qi （zi ）。我们将首先介绍几个概念。当 x 不依赖于 z 时，概率链式规则可以写成如下：

其次，由于我们将q （z ）建模为独立分量qi （zi），我们可以将熵建模为单个熵的总和。

有了这些信息，我们扩展了ELBO

到

zj 在 z 中的排序是非常随意的。在下面的等式中，我们使 zk 成为最后一个元素。并将与 z 无关的所有内容分组到一个常量中。因此，等式变为

我们进一步删除与zk无关的项，然后以积分形式表示。

我们取导数并将其设置为零以找到优化的分布 q （zk）。

最佳解决方案是

所有不断吸收并转化为Z'。我们可以用贝叶定理扩展分子。同样，相应的分母将与 zk 无关，因此被吸收为归一化因子。

这与我们在概述部分得到的等式相同。

还有其他方法可以找到优化的 q。让我们把所有内容都放在MRF的上下文中。如前所述，我们的目标是

让我们用 q （x ） 将其扩展为 q（x₁） q （x₂ ） q （x₃ ）...

这个方程可以用类似于MAP推理的线性代数来解决。但是我们不会在这里详细说明解决方案。

六、回顾

我们知道分布 p 的方程。但是分析或操纵它是令人讨厌的。

因此，根据观察结果，我们将为每个单独的模型参数使用可处理的 qi 对 p 进行建模。例如

为了最小化 p 和 q 之间的差异，我们最大化下面的 ELBO。

在每个迭代步骤中，相应模型参数 zj 的最佳解为：

由于每个q都被选择为易于处理的，因此可以通过分析方式找到期望值或归一化因子（如果需要），并且非常简单。

七、示例

（图片来源：这个例子和一些方程都来自这里。

让我们用一个例子来演示变化推断。考虑下面的分布 p （x）：

其中μ （平均值）和τ （精度）分别由高斯分布和伽马分布建模。因此*，让我们* 用 q （μ， τ） 近似 p （x， μ， τ ）。通过方差推断，我们可以从数据中学习这两个参数。每次迭代中 μ 和τ的最优值将满足

因此，让我们首先用链式规则扩展 p （x ， μ， τ ），然后从问题定义中扩展 p的定义来评估它。

我们的下一个任务是使用下面的平均场变分推理通过 q 近似 p。

现在，应用平均场变化推断，我们得到：

对数 q 是二次的。所以q是高斯分布的。

我们的下一个任务是将上面的方程与高斯定义进行匹配，以找到参数 μ 和 τ （τ ⁻¹ = σ²）。

因此，μ 和 τ是：

如前所述，计算归一化 Z 通常很困难，但对于这些众所周知的分布来说并非如此。如果需要，可以通过分布参数计算归一化因子。我们需要专注于查找这些参数。

我们在计算日志 q （τ） 时重复相同的过程。

τ 是伽马分布，因为上面的分布仅依赖于 τ 和对数 τ 。伽马分布的相应参数 a 和 b 为：

现在，我们有两个可处理的分布，我们希望找到它们的参数μ 和τ。

同样，让我们将一些术语重写为期望表单。

如前所述，数学已经通过分析解决了这些期望项。我们甚至懒得计算任何归一化因子。

μ 和a 可以立即解决。但是 τ 依赖于b ，b 依赖于 τ。

因此，我们将交替步骤迭代地解决它们。

1. 将 τn 初始化为某个任意值。
2. 用上面的等式求解 bn。
3. 用上面的方程求解 τn。
4. 重复最后两个步骤，直到值收敛。

八、抽样与变分推理

抽样方法存在一个主要缺点。我们不知道目前的采样解决方案与实际情况有多远。我们希望，如果我们进行足够的采样，解决方案是接近的，但没有定量测量。为了测量这样的距离，我们需要一个目标函数。由于变分推理被表述为优化问题，因此我们确实对进展有一定的指示。但是，变分推理近似于解，而不是找到确切的解。事实上，我们的解决方案不太可能是准确的。