第14章 概率图模型--近似推断

精确推断方法通常需要很大的计算开销，因此在现实应用中近似推断方法更为常用。近似推断方法大致可分为两大类：第一类是采样（sampling），通过使用随机化方法完成近似；第二类是使用确定性近似完成近似推断，典型代表为变分推断（variational inference）。

1 MCMC采样

在很多任务中，我们关心某些概率分布并非因为对这些概率分布本身感兴趣，而是要基它们计算某些期望，并且还能进一步基于这些期望做出决策。例如对图7（a）的贝叶斯网，进行推断的目的可能是为了计算变量$x_5$的期望。若直接计算或逼近这个期望比推断概率分布更容易，则直接操作无疑将使推断问题的求解更为高效。
采样法正是基于这个思路。具体来说，假定我们的目标是计算函数$f(x)$在概率密度函数$p(x)$下的期望

$$\mathtt E_p[f]=\int f(x)p(x)dx\qquad（21）$$
则可根据$p(x)$抽取一组样本$\{x_1,x_2,...,x_n\}$，然后计算$f(x)$在这些样本上的均值
$$\hat f=\frac{1}{N}\sum^N_{i=1}f(x_i)\qquad（22）$$
以此来近似目标期望$\mathtt E_p[f]$。若样本$\{x_1,x_2,...,x_n\}$独立，基于大数定律，这种通过大量采样的办法就能获得较高的近似精度。问题的关键是如何采样。对概率图模型来说，就是如何高效地基于图模型所描述的概率分布来获取样本。
概率图模型中最常用的采样技术是马尔可夫链蒙特卡罗（Markov Chain Monte Carlo，简称MCMC）方法。给定连续变量$x\in X$的概率密度函数$p(x)$，$x$在区间$A$中的概率可计算为
$$P(A)=\int_Ap(x)dx\qquad（23）$$
若有函数：$f:X\mapsto R$，则可计算$f(x)$的期望
$$p(f)=\mathtt E_p[f(x)]=\int_xf(x)p(x)dx\qquad（24）$$
若$x$不是单变量而是一个高维多元变量$x$，且服从一个非常复杂的分布，则对式（24）求积分通常很困难。为此，MCMC先构造出服从$p$分布的独立同分布随机变量$x_1,x_2,...,x_n$，再得到式（24）的无偏估计
$$\widetilde p(f)=\fra{1}{N}\sum^N_{i=1}f(x_i)\qquad（25）$$
然而，若概率密度函数$p(x)$很复杂，则构造服从$p$分布的独立同分布样本也很困难。MCMC方法的关键就在于通过构造“平稳分布为$p$的马尔可夫链”来产生样本：若马尔可夫链运行时间足够长（即收敛到平稳状态），则此时产出的样本$x$近似服从于分布$p$。如何判断马尔可夫链达到平稳状态呢？假定平稳马尔可夫链$T$的状态转移概率（即从状态$x$转移到状态$x^{'}$的概率）为$T(x^{'}|x)$，$t$时刻状态的分布为$p(x^t)$，则若在某个时刻马尔可夫链满足平稳条件
$$p(x^t)T(x^{t-1}|x^t)=p(x^{t-1}T(x^t)|x^{t-1}),\qquad（26）$$
则$p(x)$是该马尔可夫链的平稳分布，且马尔可夫链在满足该条件时已收敛到平稳状态。
也就是说，MCMC方法先设法构造一条马尔可夫链，使其收敛至平稳分布恰为待估计参数的后验分布，然后通过这条马尔可夫链来产生符合后验分布的样本，并基于这些样本来进行估计。这里马尔可夫链转移概率的构造至关重要，不同的构造方法将产生不同的MCMC算法。
Metropolis-Hastings（简称MH）算法是MCMC的重要代表。它基于“拒绝采样”（reject sampling）来逼近平稳分布$p$。如图9所示，算法每次根据上一轮采样结果$x^{t-1}$来采样获得候选状态样本$x^*$，但这个候选样本会以一定的概率被“拒绝”掉。假定从状态$x^{t-1}$到状态$x^*$的转移概率为$Q(x^*|x^{t-1})A(x^*|x^{t-1})$，其中$Q(x^*|x^{t-1})$是用户给定的先验概率，$A(x^*|x^{t-1})$是$x^*$被接受的概率。若$x^*$最终收敛到平稳状态，则根据式（26）有
$$p(x^{t-1})Q(x^*|x^{t-1})A(x^*|x^{t-1})=p(x^*)Q(x^{t-1}|x^*)A(x^{t--1}|x^*),\qquad（27）$$
Metropolis-Hastings算法

---

输入：先验概率$Q(x^*|x^{t-1})$.
过程：
1：初始化$x^0$;
2：$for\text{ }t=1,2,...\text{ }do$
3：根据$Q(x^*|x^{t-1})$采样出候选样本$x^*$;
4：根据均匀分布从$(0,1)$范围内采样出阈值$u$;
5：$if\text{ }u\le A(x^*|x^{t-1})\text{ }then$
6：$x^t=x^*$
7：$else$
8：$x^t=x^{t-1}$
9：$end\text{ }if$
10：$end\text{ }for$
11：$return\text{ }x^1,x^2,...$

---

于是，为了达到平稳状态，只需将接受率设置为

$$A(x^*|x^{t-1})=min \begin{pmatrix} 1,\frac{p(x^*)Q(x^{t-1}|x^*)}{p(x^{t-1})Q(x^*|x^{t-1})} \end{pmatrix}\qquad（28）$$
吉布斯采样（Gibbs sampling）有时被视为MH算法的特例，它也使用马尔可夫链获取样本，而该马尔可夫链的平稳分布也是采样的目标分布$p(x)$。具体来说，假定$x=\{x_1,x_2,...,x_n\}$，目标分布为$p(x)$，在初始化$x$的取值后，通过循环执行以下步骤来完成采样：
（1）随机或以某个次序选取某个变量$x_i$;
（2）根据$x$中除$x_i$外的变量的现有取值，计算条件概率$p(x_i|x_{\bar i})$，其中$x_{\bar i}=\{x_1,x_2,...,x_{i-1},x_{i+1},...,x_n\}$;
（3）根据$p(x_i|x_{\bar i})$对变量$x_i$采样，用采样值代替原值。

2 变分推断

变分推断通过使用已知简单分布来逼近需推断的复杂分布，并通过限制近似分布的类型，从而得到一种局部最优、但具有确定解的近似后验分布。
在学习变分推断之前，我们先介绍概率图模型一种简洁的表示方法–盘式标记法（plate notation）[Buntine,1994]。图10给出了一个简单的例子。图10（a）表示$N$个变量$x_1,x_2,...,x_n\}$均依赖于其他变量$z$。在图10（b）中，相互对立的、由相同机制生成的多个变量被放在一个方框（盘）内，并在方框中标出类似变量重复出现的个数$N$；方框可以嵌套。通常用阴影标注出已知的、能观察到的变量，如图（10）中的变量$x$。在很多学习任务中，对属性变量使用盘式记法将使得图表示非常简洁。
图10 盘式记法的例示

在图10（b）中，所有能观察到的变量$x$的联合分布的概率密度函数是

$$p(x|\theta)=\pi^N_{i=1}\sum_zp(x_i,z|\theta),\qquad（29）$$
所对应的对数似然函数为
$$\text{ln}p(x|\theta)=\sum^N_{i=1}\text{ln} \{ \sum_zp(x_i,z|\theta) \},\qquad（30）$$
其中$x=\{x_1,x_2,...,x_n\},\theta$是$x$与$z$服从的分布参数。
一般来说，图10所对应的推断和学习任务主要是由观察到的变量$x$来估计隐变量$z$和分布参数变量$\theta$，即求解$p(z|x,\theta)$和$\theta$。
概率模型的参数估计通常以最大化对数似然函数为手段。对式（30）可使用EM算法：在E步，根据$t$时刻的参数$\theta^t$对$p(z|x,\theta^t)$进行推断，并计算联合似然函数$p(x,z|\theta)$；在M步，基于E步的结果进行最大化寻优，即对关于变量$\theta$的函数$Q(\theta;\theta^t)$进行最大化从而求取
$$\begin{align} \theta^{t+1}&=argmaxQ(\theta;\theta^t)\\ &=argmax\sum_zp(z|x,\theta^t)\text{ln}p(x,z|\theta)\qquad（31） \end{align}$$
式（31）中的$Q(\theta;\theta^t)$实际上是对数联合似然函数$\text{ln}p(x,z|\theta)$在分布$p(z|x,\theta^t)$下的期望，当分布$p(z|x,\theta^t)$与变量$z$的真实后验分布相等时，$Q(\theta;\theta^t)$近似于对数似然函数。于是，EM算法最终可获得稳定的参数$\theta$，而隐变量$z$的分布也能通过该参数获得。
需注意的是，$p(z|x,\theta^t)$未必是隐变量$z$服从的真实分布，而只是一个近似分布。若将这个近似分布用$q(z)$表示，则不难验证
$$\text{ln}p(x)=\mathcal L(q)+KL(q||p),\qquad（32）$$
其中
$$\mathcal L(q)=\int q(z)\text{ln}\{\frac{p(x,z)}{q(z)}\}dz\qquad(33)$$
$$KL(q||p)=-\int q(z)\text{ln}\frac{p(z|x)}{q(z)}dz\qquad(34)$$
然而在现实任务中，E步对$p(z|x,\theta^t)$的推断很可能因$z$模型复杂而难以进行，此时可借助变分推断。通常假设$z$服从分布
$$q(z)=\prod^M_{i=1}q_i(z_i),\qquad（35）$$
即假设复杂的多变量$z$可拆解为一系列相互独立的多变量$z_i$。更重要的是，可以令$q_i$分布相对简单或有很好的结构，例如假设$q_i$为指数族（exponential family）分布，此时有
$$\begin{align} \mathcal L(q)&=\int \prod_iq_i\{\text{ln}p(x,z)-\sum_i\text{ln}q_i\}dz\\ &=\int q_j\{\int \text{ln}p(x,z)\prod_{i\ne j}q_idz_i\}dz_j-\int q_j\text{ln}q_jdz_j+const\\ &=\int q_j\text{ln}\widetilde p(x,z_j)dz_j-\int q_j\text{ln}q_jdz_j+const,\qquad（36） \end{align}$$
其中
$$\text{ln}\widetilde p(x,z_j)=\mathcal E_{i\ne j}[\text{ln}p(x,z)]+const,\qquad（37）$$
$$\mathbb E_{i\ne j}[\text{ln}p(x,z)]=\int \text{ln}p(x,z)\prod_{i\ne j}q_idz_i.\qquad（38）$$
我们关心的是$q_j$，因此可固定$q_{i\ne j}$再对$\mathcal L(q)$进行最大化，可发现式（36）等于$-KL(q_j||\prod p(x,z_j))$，即当$q_j=\prod p(x,z_j)$时$\mathcal L(q)$最大。于是可知变量子集$z_j$所服从的最优分布$q^*_j$应满足
$$\text{ln}q^*_j(z_j)=\mathbb E_{i\ne j}[\text{ln}p(x,z)]+const,\qquad（39）$$
即
$$q^*_j(z_j)=\frac{exp(\mathbb E_{i\ne j}[\text{ln}p(x,z)])}{\int exp(\mathbb E_{i\ne j}[\text{ln}p(x,z)])dz_j}.\qquad（40）$$
换言之，在式（35）这个假设下，变量子集$z_j$最接近真实情形的分布由式（40）给出。
显然，基于式（35）的假设，通过恰当地分割独立变量子集$z_j$并选择$q_i$服从的分布，$\mathbb E_{i\ne j}[\text{ln}p(x,z)]$往往有闭式解，这使得基于式（40）能高效地对隐变量$z$进行推断。事实上，由式（38）可看出，对变量$z_j$分布$q^*_j$进行估计时融合了$z_j$之外的其他$z_{i\ne j}$的信息，这是通过联合似然函数$\text{ln}p(x,z)$在$z_j$之外的隐变量分布上求期望得到的，因此亦称“平均场（mean field）”方法。
在实践中使用变分法时，最重要的是考虑如何对隐变量进行拆解，以及假设各种变量子集服从何种分布，在此基础上套用式（40）的结论再结合EM算法即可进行概率图模型的推断和参数估计。显然，若隐变量的拆解或变量子集的分布假设不当，将会导致变分法效率低、效果差。