HMM - (补充) 参数求解之 F/B 算法细节

回顾

上篇通过EM算法思想来求解 HMM 的参数 $\theta=(\pi, A,B)$ 即 初始状态概率(向量), 状态转移概率(矩阵), 发射概率矩阵. 在上帝视角, 即已知隐变量 Z , 则通过简单的词频统计, 再归一化 就求解参数了.

而问题在于我们不是上帝, 只能通过观测值 X , 通过 F/B 算法 来求解出 Z, 即:

$p(z_k|x) = \frac {p(z_k, x)}{p(x)}$ 这是求解目标

这里的 x 表示所有的 n 个样本嘛, 因此为了和 F, B 产生联系, 可以将 x 进行划分 (展开).

Forward: $p(z_k | x_{1...k})$

Backward: $p(x_{k_1...n} | z_k)$

$p(z_k, x) = p(z_k, x_{1...k}, x_{k+1...n})$

$=p(z_k, x_{1...k}) \ p(x_{k+1...n} | z_k, x_{1..k})$

条件概率: P(a, b) = P(a)P(b|a) = P(b) P(a|b)

可以省略掉 $x_{1...k}$ 考虑条件独立的情况下, 其对条件概率是没有影响的, 参考: D-separation性质

$=p(z_k, x_{1...k}) \ p(x_{k+1...n} | z_k)$ 最核心公式

框架搭建起来了, 然而如何去求解这个公式, 还没有搞好, 于是这篇就来整一波计算 F/B 的细节.

Forward 算法求解

$X: x_1, x_2, x_3, ...x_n$ 每个观测是一个向量哦

$Z : z_1, z_2, ...z_k ..z_n$ 每个隐变量是一个值

$Z \rightarrow X$ 发射概率矩阵

$Z \rightarrow Z$ 转移概率矩阵

**需求: ** $p(z_k, x_{1...k})$ 这个 概率值 (注: $z_k$ 是个标量, $x_{1..k}$ 是个向量)

要求解这个问题, 还是要用 动态规划 , 即把大的问题, 不断拆解为更小的问题来求解, 最直观的拆解, 即:

$p(z_k, x_{1...k}) \ 拆解为: \ p(z_{k-1}, x_{1..k-1})$

在动态规划的框架下呢,

相当于 $p(z_k, x_{1...k}) = 某式子 * p(z_{k-1}, x_{1...k-1})$

因为, 这是它的子问题. 怎么做呢, 嗯首先, 观察一波右边, 看哪些变量是没有出现在左边的, 比如 $x_{1...k-1}$ 其实是包含在左边式子中的, 而 $z_{k-1}$ 是没有出现在左边式子的.

即我们要想办法, 将左边的式子, 称为有包含右边的 $z_{k-1}$ 项的, 方式就是求和, 如果是连续型, 就进行积分 呀.

$p(z_k, x_{1...k}) = \sum \limits _{z_{k-1}} p(z_{k-1}, z_k, x_{1...k})$

注意 $\sum$ 的下标是 $z_{k-1}$ 跟前面对 X 进行分段是有类似的思想

然后, 后面的工作就是要将这个式子, 如何转换为 $某式子 * p(z_{k-1}, x_{1...k-1})$ 的形式. 同上一样, 对 X 进行拆分:

$=\sum \limits _{z_{k-1}} p(z_{k-1}, z_k, \ x_{1...k-1}, \ x_k)$

$=\sum \limits _{z_{k-1}} p(z_{k-1}, x_{1...k-1}) \ p(z_k | z_{k-1}, x_{1...k-1}) \ p(x_k | z_k, z_{k-1}, x_{1...k-1})$

就是利用联合概率公式 P(a, b, c) = P(a) P(b|a) P(c|a, b) 注意是有向的哈, 根据之前的有向图是一样的.

这里来仔细分析一波这个求和里面的 公式:

• $p(z_{k-1)}, x_{1...k-1})$ 是咱要的 子问题

• $p(z_k|z_{k-1}, x_{1...k-1})$ 如果不考虑 $x_{1...k-1}$ 则变为 $p(z_k | z_{k-1})$ 就是咱熟悉的 状态转移矩阵

• $p(x_k | z_k, z_{k-1}, x_{1...k-1} )$ 如果不考虑 $z_k, x_{1...k-1}$ 则变为 $p(x_k | z_k)$ 就是咱熟悉的 发射概率矩阵

从上篇已经知道了, 在模型已经的情况下, 是很容易计算 发射概率和状态转移的, 因此, 我们现在又要来考虑, 上面 如果不考虑的变量, 是否对咱的条件概率产生影响. 判断是方式依然是 D-separation 规则:

• 对于 $p(z_k|z_{k-1}, x_{1...k-1})$ 涉及的元素, $x_{1...k-1}, z_{k-1}, z_k$ 恰好是满足" tail to tail " 因此 $x_{1...k-1}$ 不影响结果

• 对于 $p(x_k | z_k, z_{k-1}, x_{1...k-1})$ 涉及, $x_{1...k-1}, z_{k-1}, z_k, x_k$ 这恰好是"tail to head"因此 $x_{1...k-1}, z_{k-1}$不影响结果

$p(z_k, x_{1...k}) = \sum \limits _{z_{k-1}} p(z_{k-1}, x_{1...k-1}) \ p(z_k | z_{k-1}) p(x_k | z_k)$

后两项是状态转移矩阵 和 发射概率矩阵, 知道模型参数下, 是非常容易计算的, 现就关注:

类似EM算法的 E 步, 计算的时候, 也可手工初始化一个值来进项不断迭代计算的

$p(z_{k-1}, x_{1...k-1})$ 这个就是典型的 动态规划 了.

如果把上边 $p(z_k, x_{1...k})$ 看为是 $\alpha_k(z_k)$ , 则 $p(z_{k-1}, x_{1...k-1})$ 就是 $\alpha_{k-1} (z_{k-1})$ .... 这样的一个动态过程, 其复杂度是 $O(n*m^2)$

动态规划的思想是, 将大的问题拆解为子问题, 即把之前的计算的过程保存下来, 再反复使用哦.

Backward 算法求解

前边的 Froward 算法是用来计算 $p(z_k | x_{1...k})$ 的概率值.

此处 Backward 算法则是来计算 $p(x_{k+1...n} | z_k)$ 的概率值.

求解思路也是一样的, 不过要注意这里是 backward 即是从后面往前, 进行子问题拆分, 即:

$p(x_{k+1...n} | z_k) = 某个项 * p(x_{k+1...}| z_{k+1})$

$=\sum \limits _{z_{k+1}} p(x_{k+2...n}, x_{k+1}, z_{k+1} |z_k)$

**同上一样的拆分方法 即 **P(a, b, c) = P(a) P(b|a) P(c|a, b)

$=\sum \limits _{z_{k+1}}p(z_{k+1}|z_k) \ p(x_{k+1}|z_{k+1}, z_k) p(x_{k+2...n} |z_{k+1}, z_k, x_{k+1})$

同样用 D-separation 的性质来进行 判断看是否能无关变量

$=\sum \limits _{z_{k+1}} p(x_{k+2...n} |z_{k+1}) \ p(x_{k+1}|z_{k+1}) \ p(z_{k+1}|z_k)$

得到跟之前一样的形式, 即这3项分别为: 子问题, 发射概率, 转移矩阵

然后同样对子问题: $p(x_{k+2..n}|z_{k+1})$ 进行动态规划求解.

至此, 我们已经能知道, 在已知 X 的前提下, 对任意状态 Z_k 是可以求解的, 即 $p(z_k|x)$ , Forward * Backward 核心思想还是 EM算法呀. 这样对于 HMM 算法的参数求解, 针对已知 X, Z 直接统计即可; 在知道 X, 不知 Z 的情况下, 通过 EM 算法求解即可, 核心技巧是 F/B 算法, 而本篇对 F/B 算法的细节也做了推导, 其核心还是 发射概率, 状态转移还有动态规划求解, 至此, HMM 算是稍微明白了许多.