Chapter 11:
Learning with Hidden Variables &
Expectation-Maximisation Algorithm
slabod@, 15.06.2018
Hidden Variables and Missing Data
Variables
visible
missing
hidden
latent
Hidden Variables: complications
— просто считать, факторизация
— сложно считать, нет факторизации
Model of visibility
The missing at random assumption
информация о параметре только в
missing completely at random:
The missing at random assumption
Not missing at random
Maximum likelihood
-
\(x = (v, h)\)
-
MAR
- maximising
неоднозначность решения:
Expectation Maximisation: Variational EM
Идея: нижняя оценка из KLD
\Rightarrow
\Rightarrow
Expectation Maximisation: many data points
\Rightarrow
\Rightarrow
\Rightarrow
Expectation Maximisation: algorithm
Идея: оптимизировать оценку
Expectation Maximisation: algorithm
Expectation Maximisation: algorithm
Идея: оптимизировать оценку
оптимум:
максимизируется только energy
Локальный максимум
Локальный максимум
Локальный максимум
Правдоподобие увеличивается!
\Rightarrow
Правдоподобие увеличивается!
\Rightarrow
\Rightarrow
(*) +
(*)
\Rightarrow
Belief networks: example
Belief networks: example
Belief networks: example
Belief networks: general case
\(E = \)
Belief networks: general case
\(E = \)
Belief networks: general case
\(E / N = \)
= \sum\limits_i \langle \text{KL}(\ldots, \ldots)\rangle_{q_t(\text{pa}(x_i))}
Belief networks: general case
Belief networks: general case algorithm
Convergence
EM for Markov networks
Обобщения EM: partial M-step
\Rightarrow
Не обязательно искать глобальный оптимум
Обобщения EM: partial E-step
q \in
Вычислительная сложность
\Rightarrow
Обобщения EM: partial E-step
q \in
\Rightarrow
\Rightarrow
Failure case for EM
\Rightarrow
\Rightarrow
Gradient methods
Спасибо за внимание!
\int\limits_T q \, dt