Skip to main content

Legendre Transformations

· 4 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer
info

设函数 f:Rn→Rf:\mathbb{R}^n \to \mathbb{R}，定义函数 f∗:Rn→Rf^*:\mathbb{R}^n \to \mathbb{R} 则勒让德变换为：

f∗(s)=sup⁡x∈dom⁡f(sTx−f(x))f^*(s) = \sup_{x \in \operatorname{dom}f} \left( s^{\mathsf{T}}x-f(x)\right)

公式推导​

让我们暂时忘掉奇怪的符号，我们从一个单变量的函数 f(x)f(x) 开始。

MM Algorithm

· 3 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer
info

The MM algorithm is an iterative optimization method which exploits the convexity of a function in order to find its maxima or minima. The MM stands for “Majorize-Minimization” or “Minorize-Maximization”, depending on whether the desired optimization is a minimization or a maximization. Despite the name, MM itself is not an algorithm, but a description of how to construct an optimization algorithm.

MM 算法原理​

MM 主要的思想是 非凸函数 太难优化了，我们就构造一个 “ 代理模型 ” ，通过迭代优化该函数达到优化的目的。

EM 算法 - 收敛性

· 6 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer

Expectation Maximization(EM) 算法，该算法用于解决具有隐变量的混合模型的高斯和分布（例子可以见 三硬币模型）。在比较理想的情况中，我们可以直接得出我们求得的参数的解析解，比如： MLE:p(X∣θ)\mathrm{MLE}:p(X\mid \theta)。我们想要求解的结果就是：

θMLE=arg⁡max⁡θ∑i=1Nlog⁡p(xi∣θ)\theta_{MLE} = \arg \max_{\theta}\sum_{i=1}^N \log p(x_{i}\mid \theta)

其中，∑i=1Nlog⁡p(xi∣θ)\sum_{i=1}^N\log p(x_{i}\mid \theta) 也被我们称为 对数似然函数。但是一旦引入隐变量，似然函数变为：

Schur Complement

· 5 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer
info

在线性代数和矩阵论中，分块矩阵的舒尔补定义如下：

M=[Ap×pBp×qCq×pDq×q](p+q)×(p+q)M= \begin{bmatrix} A_{p\times p} & B_{p\times q} \\ C_{q\times p} & D_{q\times q} \end{bmatrix}_{(p+q)\times(p+q)}

如果 DD 是 可逆的，则矩阵 MM 对于块 DD 的舒尔补 p×pp\times p 矩阵可以定义为

多元高斯分布

· 14 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer

在 高斯分布 中我们分别介绍了一维高斯分布情况，以及对于多元高斯分布表达式中的 马氏距离 进行了解释。这一节将主要介绍在多元高斯分布的常用定理进行介绍。

多元高斯的线性性质​

tip

已知：

高斯分布

· 10 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer

假设有数据：

X=(x1,x2,⋯ ,xN)T=(x1Tx2T⋮xNT)=(x11x12…x1px21x32…x2p⋮⋮⋱⋮xN1xN2…xNp)N×PX=\left(x_{1}, x_{2}, \cdots, x_{N}\right)^{T}=\left(\begin{array}{c} x_{1}^{T} \\ x_{2}^{T} \\ \vdots \\ x_{N}^{T} \end{array}\right)=\left(\begin{array}{cccc} x_{11} & x_{12} & \ldots & x_{1 p} \\ x_{21} & x_{32} & \ldots & x_{2 p} \\ \vdots & \vdots & \ddots & \vdots \\ x_{N 1} & x_{N 2} & \ldots & x_{N p} \end{array}\right)_{N \times P}

其中 xi∈Rpx_{i}\in \mathbb{R}^p，xi∼N(μ,Σ)x_{i} \sim \mathcal{N}(\mu, \Sigma)，参数为 θ=(μ,Σ)\theta=(\mu,\Sigma)

单变量高斯分布​

对于单变量的高斯分布 N(μ,σ2)\mathcal{N}(\mu,\sigma^2)，即 p=1p=1，其概率密度函数为

概率图

· 5 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer

概率图模型（Probabilistic Graphical Model， PGM），简称图模型（Graphical Model，GM），是指一种用图结构来描述多元随机变量之间条件独立性的概率模型，从而给研究高维空间的概率模型带来了很大的便捷性。

为什么讲条件独立性呢？

对于一个 KK 维随机向量，其联合概率为高维空间中的分布，一般难以直接建模。假设有

X=[X1,X2,⋯ ,XK]TX=\left[ X_{1},X_{2},\cdots,X_{K} \right]^{\mathbf{T}}

为离散随机变量并且有 mm 个取值，在不作任何假设的情况下，则需要 mK−1m^K-1 个参数才能表示其概率分布。参数是指数级的，我们在多元高斯分布中也反复说明过 高维问题，贝叶斯分类器条件假设。

朴素贝叶斯分类器

· 7 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer

假设我们有个特定的输入 xx，我们想要 Inference\text{Inference} 它的类别，我们可以通过 贝叶斯定理 中的后验概率最大的类作为 xx 类的输入。

P(Y=ck∣X=x)=P(X=x∣Y=ck)P(Y=ck)∑kP(X=x∣Y=ck)P(Y=ck)\begin{equation} P\left(Y=c_{k} \mid X=x\right)=\frac{P\left(X=x \mid Y=c_{k}\right) P\left(Y=c_{k}\right)}{\sum_{k} P\left(X=x \mid Y=c_{k}\right) P\left(Y=c_{k}\right)} \label{1} \end{equation}

其中的 YY 即输入的类别。

贝叶斯定理

· 6 min read
PuQing
PuQing
AI, CVer, Pythoner, Half-stack Developer

条件概率​

条件概率一般记作 P(A∣B)P(A\mid B)，意思是当 BB 事件发生时，AA 事件发生的概率，其定义为

P(A∣B)=P(A∩B)P(B)P(A\mid B)=\frac{P(A\cap B)}{P(B)}

其中 P(A∩B)P(A\cap B) 意思是 AA 和 BB 共同发生的概率，称为联合概率。也可以写作 P(A,B)P(A,B) 或 P(AB)P(AB)。