代码改变世界

【PGM】Probabilistic Graphical Model 学习笔记

2013-06-04 18:45  Loull  阅读(1444)  评论(0)  编辑  收藏  举报

http://blog.sina.com.cn/s/blog_461db08c0101jv5j.html

最近在学习Stanford的Daphne Koller讲的Probabilistic Graphical Model的网络课程。整个课程有10周，但我的水平有限，肯定要超过10周了。笔记是根据课程安排的，记录了我觉得重要的地方，和我不明白的地方，以便自己以后快速查看。我会随时根据学习情况更新这一篇微博的。欢迎讨论和指出错误之处。

6.Markov Network Fundamentals 
6.1 Pairwise Markov Network 
  1. Pairwise 的 Markov Network各个相邻元素之间用Factor（Potential）来联系。 
  2. factor并不与概率成正比，因为真正的联合概率要受到其他与之联系的元素所影响。 
6.2 General Gibbs Distribution 
  1. Pairwise的network提供的信息远远无法表达整个网络里所有节点之间的概率关系。所以要引入Gibbs分布。 
  2. Gibbs分布由一些Factor组成。 
  3. Gibbs分布可以表达多个节点之间的联合概率（不只是pairwise的，可以是3个、4个一起）。Gibbs分布有能力表述整个网络里所有节点之间的概率关系。因为它至少可以用一个包含所有节点的Factor来表示。 
  4. Gibbs分布可以induce出Markov Network。 
  5. Induced Markov Network，就是把Gibbs分布的Factor里的节点都连起来。 
  6. 假设有一组Factor，做一下Factor product，然后归一化，求出所有元素的联合概率P。同时，这组Factor又可以induce出一个图H。那么P可以factorize over H。 
6.3 Conditional Random Field 
  1. CRF是MRF的一种变形，非常相似，但用处不同。CRF用来解决Task specific prediction。其实就是labelling problem。（好像MRF也是干这个的啊？） 
  2. CRF也是由一组Factor表示。看起来很像Gibbs分布的表示方式。但是它们的归一化方式不同，CRF把概率归一化成条件概率。 
  3. BN使用联合概率表示，它假设X1....Xn导致Y，而且各个X之间是独立的。如果各X之间不独立，则会出现Correlated feature，使概率的判断失真。而CRF使用条件概率表示，这样不管各X之间是否独立，都不会影响最后概率的判断。 
  4. CRF与logistics regression的关系。sigmoid函数也是一种CRF？？？ 
6.4 Independencies in Markov Network 
  1. Separation in MN.只要active trail中的一个节点已知了，这个trail就断了。 
  2. 如果概率P factorizes over 图H，那么P也满足H表达出的independencies，所以H就是P的一个I-map。
  3. 反过来，independency也可以推出factorization。假设有一个正分布P，H是它的一个I-Map，则P factorizes over 图H。
6.5 I-maps and perfect maps
  1. P factorizes over G，则G是P的I-map。G表达了P中的某些independencies，但不一定是全部。
  2. 最小I-map是指除了P中表达的independencies没有多余的路径的map。
  3. Perfect map是指 I（G）= I（P），但是Perfect map不一定存在。
  4. 这里Koller举了两个例子说明Perfect map有时候不存在，但是没怎么听懂。I-map必须是有向图？？P可以等效于无向图？？？
  5. I-map也不是唯一的，不同的I-map可以表示相同的independencies，它们是I-equivalent的。多数的图都有很多I-equivalence。
  6. BN和MN互相转换表示，会丢失independencies。
6.6 Log Linear Models
  1. 把factor前面加log，本来factor product要做乘法，现在变成做加法。
  2. Koller举了一个自然语言识别的例子,来说明我们可以用单词的feature来判断概率，而不是单词本身。
  3. Ising model的例子，有点像用MRF做图像分割。温度高的时候原子之间的联系弱，温度低时联系强。但没明白她举这个例子想说明啥。这跟Log linear model有啥关系？
  4. Metric MRFs。MRF可以提供局部平滑的假设，但首先我们要定义一个Metric，也就是定义MRF元素取值空间的距离函数。
  5. 后面就讲了一些如何利用MRF做图像分割和图像去噪。这部分比较熟了。
6.7 Shared Feature in Log-Linear Model
  1. 举了Ising model和NLP两个例子来说明有些条件（feature）是可以重复利用的。所以叫做Shared feature，这种feature对于所有的元素都适用。
  2. 还是不明白这根log-linear model有啥关系。
7  Representation Wrap-up: Knowledge Engineering
7.1 Knowledge Engineering
  1. 这部分讲的是关于技巧方面的内容，不太涉及理论。
  2. Knowledge engineering有多种选择：基于模板的（图像分割）还是特殊设计的（医学诊断）？用有向图还是无向图？通用的（适合无label的数据，可以应对未知的数据）还是专用的（需要直接编写条件概率，可以人工简化高维的数据）？
  3. Variable Types。网络中的变量有三类：目标变量，已观察到的变量，latent变量
  4. Structure。要不要在网络中表达出因果关系。因果关系可以简化网络，使它更加直观。
  5. Parameter：Value。手工建立网络时需要注意的问题。
  6. Parameter：Local structure。这里讨论了几种网络的形式，但是没有具体例子，不是很明白。
8 Inference: Variable Elimination
8.1 Overview: Conditional Probability Queries
  1. 如果我们想利用PGM算某个概率，Koller告诉我们，这也是NP-hard，那也是NP-hard，反正很困难就对了。但好在这只是worst case，一般情况下，可以找到简便的方法。
  2. Sum-product。比如我们想求变量J的概率，我们要把网络内所有的变量的factor求product，得到所有变量的联合概率，然后把除J之外的变量求和，得到J的边缘分布，就是J的分布了。
  3. Evidence：Reduced Factors。如果我们已知了E=e（就是所谓的Evidence），再来求Y的概率，所以我们求的是条件概率P（Y|E=e）。这个概率等于 P(Y，E=e)/P(E=e)。分母用刚才的方法求。求分子的时候，要把所有包含E的factor删去不等于e的条目，然后在用刚才的方法求就行了。
  4. 在上面的方法中，求联合概率的那一步，如果除target变量和evidence变量之外还有很多变量，那就难求了，因为复杂度是成指数形式增长的。
  5. 最后，介绍了一些解概率的算法：如动态规划，置信传播，Variational Approximation（？），蒙特卡洛，Importance Sampling（？）
8.2 Overview: MAP Inference
  1. Maximum a Posteriori(MAP)。最大后验估计。给定E=e，求除E意外所有变量的值Y=y，使得P(y|e)最大。解可能不是唯一的。
  2. MAP != Max over Marginals。不能单独看某个变量的边缘分布来决定这个变量的解，而要看所有变量的联合概率哪个最大。
  3. NP-hardness。XXXX等情况，又是NP-hard。但大部分情况下还是能解的。
  4. Max-Product。后验概率P（Y|E=e）= P(Y，E=e)/P(E=e)。我们的目的是求Y使得P最大。分母与Y无关，所以只用看分子了。分子是E=e条件下的联合概率，等于是Reduced Factors的乘积，然后归一化。其实归一化因子也与Y无关，所以只用看Reduced Factors的乘积就行了。
  5. Algorithm：MAP。有很多算法可以利用：Variable elimination（？），置信传播，整数规划，图割法等等。
8.3 Variable Elimination Algorithm
  1. 这一节就是具体讲怎么算上一节提到的后验概率。
  2. 第二个问题答案是C，为什么不是D?
8.4 Complexity of Variable Elimination
  1. 这一节主要讲Variable Elimination的复杂度问题。复杂度的衡量标准有计算中包括多少个乘法，多少个加法。然后得出结论：乘法的个数将随factor的个数成指数形式增长，这就是Exponential Blow Up。
  2. 所以在做Variable Elimination时，variable的先后顺序就会对复杂度有很大影响。
8.5 Graph-Based Perspective on Variable Elimination
  1. 如何决定variable的顺序呢？这一节从Graph的角度来解决这个问题
  2. 首先把有向图变成无向图，给存在V-structure的两个父节点建立edge（这一步骤叫做“伦理教育”，因为既然生了孩子就要结婚）。这就得到了Induced MN。
  3. 在Elimination的过程中，会出现Factor同时包含两个并没有相连的variables，这时我们要给这两个Variable加上edge。这就叫fill edge。
  4. Induced Graph。加入了fill edge的Graph就叫做Induced Graph，用I表示。I有两个下标phi & alpha。Phi表示所有的factors，Alpha表示消除（Elimination）的顺序。
  5. Cliques in the induced graph。在VE（variable elimination）中产生的每个factor都是induced graph中的一个clique。clique的定义是：最大全连接的sub-graph of the induced graph。“最大”是指无法再添加variable到clique中还保证sub-graph是全连接的，“全连接”是指每个variable都和其他variable有连接。在Koller的例子中一共有5个Clique，它们恰好是每次VE所产生的factor。接着，Koller还证明了一下为什么“恰好”是这样的。
  6. Induced Width。一个Induced Graph的width，等于其中最大的clique所包含节点的个数减1。至于为什么要减1，没啥理由，就是这么定义的。Minimum Induced Width是指一个Induced graph的最小Induced width（因为VE的顺序不同，Induced width也不同）。能够产生Minimum Induced Width的VE顺序就是计算效率最高的顺序。
  7. 这一节真TM难理解
8.6 Finding Elimination Orderings
  1. 定理：判断一个Graph的Minimum Induced Width是否小于等于K。这个问题是NP-complete的。这和inference的NP-hardness是无关的。
  2. 所以我们要用一些求近似解的方法。Greedy search是不错的方法。每次选择一个Variable消除，不考虑后续的反应。这需要用启发式的cost评价函数，例如：选择Neighbor最少的消除，或选择值域空间最少的variable消除，或选择fill edge最少的消除，或选择fill edge（带权重）最少的消除。
  3. 定理：一个Induced Graph必须是三角形化的，即Graph中不可能有3个节点以上的空心loop。这个理论可以帮我们找出VE的顺序，但是俺没理解
  4. Koller举了一个机器人的例子说明几种VE的策略的计算量是差别很大的。
9 Inference: Belief Propagation, Part 1
9.1 Belief Propagation
  1. VE的运算量太大，还有另一种求解方式，即Belief Propagation。
  2. Cluster Graph。Cluster Graph中的没一个节点叫做一个Cluster，表示MN中variable的一个子集。而MN中的variable则变成了Cluster Graph中的边（edge),这里叫做Sepset。Sepset是由它连接的两个Cluster的共同话题。
  3. 信息传播开始时，信息delta=1。下一轮迭代时，传播的信息变为 Cluster自己的信息乘以它从邻居（除了将要接受信息的那个Cluster）那里得到的信息，然后看接受信息的Cluster关心哪个 Variable，就对那个Variable求边缘分布，然后传递出去。
  4. 如何建立Cluster Graph？首先，如何选择Cluster包含哪些Variable(这里Koller没讲，下一节的Bethe Cluster Graph会讲）。其次Cluster的factor（Psi）该是多少？这就需要把原来MN中的factor（Phi）乘进Psi里。每个Phi只能放 进一个Psi里，条件是这个Psi包含了Phi的所有Variable，如果有多个符合条件的Psi，只能选一个放进去。如果某个Psi没有一个Phi放 进去，那这个Psi还保留初始值1。
  5. Koller举了两个Cluster Graph的例子。例子中Cluster没有变，只是连接它们的Sepset变了。下一节中，Koller会证明其中一个是illegal的
  6. Belief Propagation Algorithm。方法就是上面提到的。但是有两个问题：1.什么时候停止迭代？这个接下来会讲。2.如何选择信息传递的edge？这个简单，就是按照一定的顺序就行了。比如Round Robin（循环赛）策略，其实就是轮流迭代。
  7. Belief Propagation Run。置信传播的方法好不好？它并不能得到精确地解，但是复杂度比NP-hard要好。
9.2 Properties of Cluster Graphs
  1. Family preservation Property。对于每一个原来MN中的factor，都要有一个Cluster可以包含他。
  2. Running Intersection Property。假设有两个Cluster都包含同一个variable，那么这两个Cluster之间必须有唯一的连接渠道使该variable的信 息可以通过。所谓"唯一"的连接，是指sepset不能构成loop（或者说这个路径必须是一个tree）。否则variable的信息通过两条渠道分别 传播，就会被重复考虑了。实际上，即使没有loop，也不能完全消除variable被重复考虑。因为一个variable的信息可以在通过 cluster的时候转换成另一个variable的信息，然后传递回自己，这样信息仍然会被重复考虑。
  3. Bethe Cluster Graph。这种graph有两种cluster：大cluster包含原MN中的一个factor，小cluster包含原MN中的一个 variable。然后把它们相互连接。这种graph的好处是很容易建立，而且大cluster通过小cluster传递信息时，variable之间 的相关性被消除（这算好处吗？）
10 Inference: Belief Propagation, Part 2
10.1 Properties of Belief Propagation
  1. Calibration。首先复习一下Cluster Belief是什么东东（之前讲过吗？）。Cluster Belief等于该Cluster的factor（Psi)乘以进入该Cluster的信息，用Beta表示。如果两个相邻的Cluster对于他们的Sepset的信息（也就是对他们求Sepset的边缘概率）一致，那么我们就说这个Graph是被Calibrated。
  2. Convergence->Calibrated。edge的两端传递的信息相同，所以再迭代下去也不会改变Graph的信息分布。
  3. Sepset Belief。即是Sepset两个方向传递的信息相乘。用Mu表示。
  4. Reparameterization。如果我们把所有Beta的乘积除以所有Mu的乘积，会得到所有Psi的乘积，也就等于所有Phi的乘积，也就是这个Graph表达的概率分布的Un-normalized measure。所以用Belief Propagation方法并没有损失任何信息，而且把问题转换成了容易解的方式。
10.2 Clique Tree Algorithm - Correctness
  1. 这一节讲的是Cluster Graph的一种特殊情况：信息不再在整个Cluster Graph里面传播，而是在Clique Tree里面传播。这种情况下，BP算法不但收敛更加迅速，而且能够得到精确解。
  2. Message Passing in Trees。
  3. Correctness。Cluster的Belief用Beta表示。Beta等于其本身的Psi乘以相邻元素传过来的Delta。而Delta又等于 相邻Cluster的Psi乘以别的Delta。最后可以把所有的Delta都展开成Psi的乘积。这时我们会发现Beta实际上等于一堆Psi的乘积 （还有求和）。这跟我们用factor计算边缘分布的形式是一样的。所以这样就证明了结果的正确性。
  4. Clique Tree（不记得Clique是什么了都）。定义：首先它是一个无向树（Tree就是没有Loop的Graph）。它的节点是Cluster。连接节点的边就是Sepset。（Clique Tree 就是Cluster Graph的一种特殊形式）
  5. Family Preservation。由于Clique Tree是特殊的Cluster Graph，所以Family Preservation的性质（9.2.1节）它也要符合。
  6. Running Intersection。这也是9.1节中的性质，同样要符合。
  7. Clique Tree Message Passing。这就是举了一个例子。
  8. RIP（Running Intersection Property） -> Clique Tree Correctness。用前面证明Correctness的方法可证明：Running Intersection Property保证了正确性！（为啥？？）
10.3 Clique Tree Algorithm - Computation
  1. Message Passing in Trees。在Koller举得例子中，Tree实际上就是一个Chain。而两端的元素所传出的信息是不随迭代而变化的。也就是说，两端元素的输出信息 从一开始就已经收敛了。而端点的元素吧信息传递给下个元素以后，下一个元素也收敛了。以此递推，整个Graph会在向左向右两次迭代之后收敛。
  2. Convergence of Message Passing。Tree的叶子节点上的元素从一开始就是收敛的。所以我们可以从叶子节点开始向内部传播。如果选择的顺序合适，最少经过2（K-1)次pass，整个tree就会收敛。其中K是元素的个数。
  3. Message Passing Order。我们可以从叶子节点出发，把信息向内传播一步。然后挑出符合收敛条件的节点，再传播一步……直到所有节点都收敛为止。（这种方法可以保证所有的Graph都适用吗？）
  4. Answer Queries（这一步是在收敛后进行的吗？）。如果我们想知道一个Variable（或者同一个Clique中的多个Variable）的后验概率分 布，我们要选一个包含这些Variable的Clique，把其他不需要的Variable加起来求边缘概率。当然，求出来的是未归一化的边缘概率，还需 要归一化才行（怎么归？）。
  5. 如果我们已经观察到了其中一些Variable的值Z=z，可以以此为基础，再求其他Variable（用X表示）的概率，这叫做 increamental inferrence。这要分两种情况。如果X和Z在同一个的Clique里，这比较简单，只要做Clique Reduction就行了。就是把Z!=z的部分去掉，求和，归一化。如果X和Z不在同一个Clique里，情况稍复杂一些。因为我们观察到了Z，所以包 含Z的clique信息变化了，需要把这个信息传递到包含X的Clique里。但只需要传递从Z到X之间的路径就可以了。
  6. Summerize。用Clique Tree的方法，只用传递2(K-1)次就可以得到所有的概率。而相比之下，用Variable Elimination的方法算的话，就慢很多了。所以我们只用2倍于VE的计算量，而不是N倍，就完成了计算（这里是啥意思，不懂）
10.4 Clique Tree and Independence
  1. Clique Tree可以快速的计算出Variable的边缘概率，但理论上这个问题又是NP-hard的。那肯定有某种情况是Clique Tree也不能应付的。
  2. RIP（Running Intersection Property） and Independency。首先，我们定义如下概念：W<(i,j),只出现在i侧的Variables；W<(j,i),只出现在j侧的Variables；还有剩下的两边都出现的Variable，也就是Sepset（ij）里的Variable。
  3. 定理：一个Clique Tree符合RIP，当且仅当W<(i,j)与W<(j,i)独立，在给出S(ij)时。
  4. Koller又举了两个例子来说明，在特定情况下，这个问题是NP-Hard的。
10.5 Clique Trees and VE
  1. 那么我们如何来构造一个Clique Tree呢？我们首先看如何用Clique Tree的视角去看VE。
  2. VE的步骤是怎么样的？1.每一步会产生一个大的factor lamda（i)；2.然后做VE使lamda（i)缩减成tau（i)；3.用tau（i)去计算下面的lamda（i)。
  3. 用Clique tree的视角去看，每个lamda就是一个clique，而tau则是clique之间传递的message。
  4. Example。这个例子展示了如何用VE的方法构造clique tree。要点在：VE之后有一步post process，如果相邻的两个Clique有包含关系，需要把较小的合进大的里面。
  5. 构造出的这个graph到底是不是Clique tree呢？首先，它是一个tree。每个tao只用到一次，所以信息只是一对一的传播（什么玩意？）。其次，这个tree是family preserving的（9.2.1）（这里也不明）。第三，它还有RIP性质（9.2.2）
  6. Running Intersection Property。定理：VE产生的Cluster tree都有RIP性质。
  7. Summery。VE可以生成正确的Clique tree。所以我们可以模拟VE（只选择variable的顺序，不做乘法运算）来生成Clique tree。Clique tree的运算量和VE的运算量相等。这样看似乎没什么优势，但是我们想获得所有variable的边缘分布时，clique tree的优势就显现出来了。因为它可以用动态规划的方法使计算所有variable的运算量只相当于计算两次VE。
10.6 BP In Practice 
  1. Misconception Revisited。BP的最坏情况会发生在：1.紧密的闭环网络；2.强Potential；3.矛盾的信息。在这种情况下收敛会非常慢。
  2. Different Variants of BP。Synchronous BP，同步的BP，所有Variables同时BP。这种方法收敛会比较慢，尽管它的实现会比较简单，而且适用于并行计算。Asynchronous BP，非同步的BP。Variable依次做BP，这会加快收敛的速度，同时提高收敛的程度。但如何选择BP的顺序呢？下一节再讲。
  3. Observation。1.收敛是局部的概念，有些信息收敛很快，有些却怎么也收敛不了。2.非同步比同步的好。3.非同步BP的顺序很重要。
  4. Informed Message Scheduling。Tree reparameterization（TRP），选一个Tree进行BP，再选一个Tree进行...。还有一种Residual belief propagation（RBP），每次在最不agree的两个cluster间BP。
  5. Smoothing （Damping） Messages。每次传递信息时留一些余地，避免信息过快的变化。这样可以避免震荡。可以大幅提高收敛的程度。
10.7 Loopy BP and Message Decoding
  1. 一个很有趣的应用是将Loopy BP和Message Decoding这两个看似无关的东西联系在一起。
  2. 讲了一段历史，心情不好，没怎么注意听。
11 Inference: MAP Estimation
11.1 Max Sum Message Passing
  1. 这一节突然转变话题，反过来倒过去看了好几天才弄明白过来。
  2. 到目前为止，我们都是在讨论如何计算边缘概率，但另外还有一种很有价值的问题是：如何找出一个联合概率最大的variable的组合。很显然，我们不能把边缘概率最大的variable组合到一起，我们需要一种不同的算法去解决这个问题。
  3. Product->Summation:首先，我们需要把乘法转变成加法。这需要我们把factor都转变为log的形式。（这个转换之前的计算也适用，为什么现在才提出来？）
  4. Max-Sum Elimination in Chains:我们可以像VE那样每次eliminate一个variable。使之变成一个不包含此variable的中间变量lambda。
  5. Factor Summation：和sum-product算法类似，只是把product变为summation。
  6. Factor Maximization：还是和sum-product算法类似，只是把sum变成了max，在Eliminate一个variable的时候不是把相应的factor加起来，而是去最大的那个。这个过程又叫做max-marginalization
  7. Max-Sum Elimination in Chains：继续之前的过程，当我们Eliminate到只剩下一个Variable E的时候，这时候的lambda就代表了：E取e时，可能出现的最大的联合概率。
  8. Max-Sum in Clique Tree：用Max-Sum代替Sum-Porduct在Clique Tree的信息传递中也是一样的。
  9. Simple Example：这个例子很好，很清晰。
  10. Max-Sum BP at Convergence：我们该如何判断BP已经收敛了呢？每个Clique的信息都在表达其所包含变量的max-marginals。而且clique tree此时会有所谓的calibration property，即是相邻的clique之间要对sepset中的variable的max-mariginal信息要一致。
11.2 Finding a MAP Assignment
  1.  上一节我们只讨论了如何获得max-marginal，而没有讨论如何得到MAP Assignment（即最大的联合概率对应的各个variable的值）。
  2. 这其实很简单，只需要在每个Clique中挑出最大的概率对应的variable值就可以了。但如果Clique中有几个概率相同的最大概率该如何处理 呢？有两个方法：1.对概率做一点扰动，使最大值变成只有一个；2.先在第一个Clique中选一个最大概率（随便选一个就行），然后记住选了哪个值，再 在下一个Clique中的对应值中选一个最大概率……。