-
變分貝葉斯估計
鎖定
變分貝葉斯估計(variational Bayesian inference)是統計推斷中變分方法(variational method)的應用之一,能夠以迭代方式在給定的變分族(variational family)中對概率模型的隱變量(latent variable)後驗分佈進行局部最優估計
[1]
。
變分貝葉斯估計通過平均場理論(Mean Field Theory, MFT)將隱變量的後驗按維度展開得到計算框架,並按維度迭代更新估計結果至算法收斂。基於極大後驗估計的最大期望算法(Expectation-Maximization algorithm, EM)是變分貝葉斯估計的特例之一
[2]
。
變分貝葉斯估計可以作為馬爾可夫鏈蒙特卡羅(Markov chain Monte Carlo, MCMC)的低計算量替代方法,也被應用於一些機器學習(machine learning)算法,例如變分自編碼器(variational autoencoder)的學習
[3]
。
- 中文名
- 變分貝葉斯估計
- 外文名
- variational Bayesian inference
- 類 型
- 優化算法
- 學 科
- 統計學
- 應 用
- 參數估計,機器學習
變分貝葉斯估計理論
變分貝葉斯估計的求解目標是在給定的變分族
內,找到隱變量後驗分佈的最優近似,利用Kullback-Leibler散度(Kullback-Leibler divergence),該優化問題有如下表示
[3]
:
由KL散度的性質可知,當隱變量的後驗分佈在變分族之內,例如二者均為指數族分佈,則上式得到全局最優,其它情形下得到局部最優。對該優化問題,變分貝葉斯估計使用平均場理論(Mean Field Theory, MFT)將
維的後驗分佈近似為一系列一維概率分佈的乘積並分別求解KL散度
[3]
:
變分貝葉斯估計算法
變分貝葉斯估計應用
變分貝葉斯估計可以應用於完整的貝葉斯推斷(full Bayesian inference),即對後驗分佈按因子展開進行近求解。在最大期望算法(Expectation-Maximization algorithm, EM)的E步中對隱變量後驗分佈的求解可以通過變分貝葉斯估計實現,形成變分貝葉斯EM(Variational Bayesian EM algorithm, VBEM)
[3]
。
- 參考資料
-
- 1. Fox, C.W. and Roberts, S.J., 2012. A tutorial on variational Bayesian inference. Artificial intelligence review, 38(2), pp.85-95.
- 2. McLachlan, G. and Krishnan, T..The EM algorithm and extensions (Vol. 382):John Wiley & Sons,2007:276-277
- 3. Polykovskiy, D. and Novikov, A., Bayesian Methods for Machine Learning .Coursera and National Research University Higher School of Economics.2017[引用日期2018-12-17]
- 詞條統計
-
- 瀏覽次數:次
- 編輯次數:3次歷史版本
- 最近更新: 康康萌萌km