Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
物理フラクチュオマティクス論Physical Fluctuomatics
応用確率過程論Applied Stochastic ProcessApplied Stochastic Process
第4回 最尤推定とEMアルゴリズム4th Maximum likelihood estimation and EM algorithm4th Maximum likelihood estimation and EM algorithm
東北大学 大学院情報科学研究科 応用情報科学専攻田中 和之(Kazuyuki Tanaka)[email protected]
http://www.smapip.is.tohoku.ac.jp/~kazu/http://www.smapip.is.tohoku.ac.jp/ kazu/
物理フラクチュオマティクス論(東北大) 1
今回の講義の講義ノート
田中和之著:確率モデルによる画像処理技術入門,森北出版,第4章,2006.
物理フラクチュオマティクス論(東北大) 2
統計的学習理論とモデル選択統計的学習理論とモデル選択
デ タから確率 デルの確率を推定する操作データから確率モデルの確率を推定する操作
モデル選択
統計的学習理論における確率モデルのモデル選択の代表例
最尤推定に基づく定式化 不完全データにも対応
EMアルゴリズムによるアルゴリズム化確率伝搬法,マルコフ連鎖モンテカルロ法によるアルゴルズムの実装
更なる拡張
よるアルゴルズムの実装
赤池情報量基準(AIC),赤池ベイズ情報量基準(ABIC) etc.
物理フラクチュオマティクス論(東北大) 3
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
パラメータ
,,
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 4
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
1 211Nパラメータ
0
222 2
1exp2
1,i
iggP
10
gg
g
,
1Ng
g
,
1,,1,0 NV 0 1 20 1 2
3 4 5
6 7 8
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 5
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
1 211N
データ
パラメータ
0
222 2
1exp2
1,i
iggP
10
gg
g
,
1Ng
g
,
1,,1,0 NV 0 1 20 1 2
3 4 5
6 7 8
データ
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 6
デ タ
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
1 211N
データ
パラメータ
0
222 2
1exp2
1,i
iggP
10
gg
g
,
1Ng
g
,
1,,1,0 NV 0 1 20 1 2
3 4 5
6 7 8
データ ヒストグラム
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 7
デ タ ヒストグラム
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
1 211N
データ
パラメータ
0
222 2
1exp2
1,i
iggP
10
gg
g
,
1Ng
g
,
1,,1,0 NV 0 1 20 1 2
3 4 5
6 7 8
データ ヒストグラム
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 8
デ タ ヒストグラム
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
1 211N
データ
パラメータ
0
222 2
1exp2
1,i
iggP
10
gg
g
,
1Ng
g
,
,maxargˆ,ˆ
,gP
1,,1,0 NV 0 1 2
,
0 1 2
3 4 5
6 7 8
データ ヒストグラム
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 9
デ タ ヒストグラム
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
1
21exp1N
iggP
データ
パラメータ
0
22 2exp
2,
iiggP
maxargˆˆ gP
10
gg
g
,
,maxarg,,
gP
1Ng
g
,
平均μと標準偏差σが与えられたときの確率密度関数をデータ が与えられたときの平均μと分散σ2に対
g
μ 散する尤もらしさを表す関数(尤度関数)とみなす.
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 10
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
maxargˆˆ gP データ
パラメータ
1 211N
,maxarg,,
gP
10
gg
g
,
0
222 2
1exp2
1,i
iggP
1Ng
g
,
0
,
ˆ,ˆ
gP極値条件
平均μと標準偏差σが与えられたときの確率密度関数をデータ が与えられたときの平均μと分散σ2に対
g
0
,
ˆ,ˆ
,
gP
μ 散する尤もらしさを表す関数(尤度関数)とみなす.
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 11
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
maxargˆˆ gP データ
パラメータ
1 211N
,maxarg,,
gP
10
gg
g
,
0
222 2
1exp2
1,i
iggP
1Ng
g
,
0
,
ˆ,ˆ
gP極値条件
平均μと標準偏差σが与えられたときの確率密度関数をデータ が与えられたときの平均μと分散σ2に対
g
0
,
ˆ,ˆ
,
gP
μ 散する尤もらしさを表す関数(尤度関数)とみなす.
1
0
1ˆN
iigN
1
0
22 ˆ1ˆN
iigN
標本平均 標本分散
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 12
0i 0i
最尤推定(Maximum Likelihood Estimation)(Maximum Likelihood Estimation)
maxargˆˆ gP データ
パラメータ
1 211N
,maxarg,,
gP
10
gg
g
,
0
222 2
1exp2
1,i
iggP
1Ng
g
,
0
,
ˆ,ˆ
gP極値条件
平均μと標準偏差σが与えられたときの確率密度関数をデータ が与えられたときの平均μと分散σ2に対
g
0
,
ˆ,ˆ
,
gP
μ 散する尤もらしさを表す関数(尤度関数)とみなす.
1
0
1ˆN
iigN
1
0
22 ˆ1ˆN
iigN
標本平均 標本分散
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo) 13
0i 0iヒストグラム
最尤推定 f
が分からなかったらどうしよう
gP maxargˆ データハイパパラメータ
10
ff
f
ff
fPfgPgfPgP
,,
10
gg
g
周辺尤度
1Nf
f
1
0
222 2
1exp21,
N
iii fgfgP
1Ng
g
不完全デ タ
0,1
ˆ
gP
11 N
極値条件
1
0
2
21exp
21N
iiffP
パラメータ
不完全 は完全にまず fP
データ
1
1
22 11ˆN
iigN
ベイズの公式
不完全データ
を考えよう.
わかっている場合
は完全にまず fP
fdgfPff ̂,ˆ gP fPfgPgfP
,,
イズの公式
物理フラクチュオマティクス論(東北大) 14
gP
信号処理の確率モデル
雑音
白色ガウス雑音原信号観測信号
雑音
i
fi
i
gi
通信路i i
原信号 観測信号
事前確率尤度
事後確率
原信号原信号観測信号 Pr|Pr
尤度
観測信号
原信号原信号観測信号観測信号原信号
PrPr|PrPr
ベイズの公式
物理フラクチュオマティクス論(東北大) 15
周辺尤度ベイズの公式
原信号の事前確率
ji fffP 2 1exp1
i j
EjiEji
ji
ff
ffZ
f
2
},{},{Prior
11
2p
E すべての最近接
i j
Eji
ji ffZ },{2
Prior 21exp1 E:すべての最近接
ノード(画素)対の集合
画像データの場合1次元信号データの場合1 2 3 4 5 1 2 3 4 51 2 3 4 5
1 2 2 3X=
1 2 3 4
6 7 8 9
5
10
11 12 13 14 153 4 4 5XX
11 12 13 14
16 17 18 19
15
20
物理フラクチュオマティクス論(東北大) 16
21 22 23 24 25
データ生成過程デ タ生成過程
加法的白色ガウス雑音 (Additive White Gaussian Noise)
Viii gffgP
222 2
1exp2
1,
2,0~ Nfg ii V:すべてのノード(画 ,Nfg iiV:す てのノ ド(画素)の集合
物理フラクチュオマティクス論(東北大) 17
信号処理の確率モデル信号処理の確率モデル
11データ不完全デ タ
パラメータ
Viii fgfgP
222 2
1exp21,
11
0ff
デ タ
0g
データ
Ejiji ffZ
fP},{
2
prior 21exp1
1
f
ff
1
g
gg
1Nf 1Ng
fi
gi
fdgfPff ii ,,ˆ
ハイパパラメータ
i i
fPfgP
gfP
,イ ラ タ
fdfPfgP
gfP
,,,
事後確率
物理フラクチュオマティクス論(東北大) 18
信号処理の最尤推定信号処理の最尤推定
f
,maxargˆ,ˆ gP
データ
パラメータ 不完全データ
10
ff
f
,
fdfPfPP
10
gg
g
1Nf fdfPfgPgP ,,
1Ng
周辺尤度
gPgP極値条件ハイパパラメータ
0
,,0
,
ˆ,ˆˆ,ˆ
gPgP
物理フラクチュオマティクス論(東北大) 19
最尤推定とEMアルゴリズム
データ fdfPfgPgP ,,
パラメータ
周辺尤度
不完全データ
10
ff
f
10
gg
g
Q
,, Q関数周辺尤度
1Nf
f
1Ng
g
fdgfPgfP ,,ln,, Q
ハイパパラメータ
)(),(, Calculate :Step E ttQ
0
,,
0,,
,
Q
Q
)1()1( Update:Step M
t,σtα
0
,
0
,,0
,
ˆ,ˆˆ,ˆ
gPgP )(),(,maxarg ),( ttQ EM アルゴリズムが収束すれば
物理フラクチュオマティクス論(東北大) 20
極値条件EM アル リズムが収束すれば周辺尤度の極値条件の解になる.
1次元信号のモデル選択1次元信号のモデル選択
EM Algorithm200Original Signal g100
200
if0.04
i0 127 2550
200
g
Degraded Signal 0.03α(t)
0 127 255
100
0
ig40
0.02
0.01
α(t)
i0 127 255
100
200
if̂
Estimated Signal0.01
0
i0 127 255
100
0
if
α(0)=0.0001, σ(0)=100
物理フラクチュオマティクス論(東北大) 21
ノイズ除去のモデル選択 MSE327 0.000611 36.30
̂ ̂40
原画像 劣化画像 EMアルゴリズムと確率伝搬法
推定画像
α(0)=0.0001σ(0)=100
MSE ̂ ̂ 2ˆ1MSE ii ff
物理フラクチュオマティクス論(東北大) 22
260 0.000574 34.00
||MSE
iii ff
まとめまとめ
最尤推定とEMアルゴリズムガウシアングラフィカルモデルによる統計的推定
物理フラクチュオマティクス論(東北大) 23
演習問題4ー1
N個のデータgi (i=0,1,...,N-1) が確率密度関数
,演習問題4 1
,,
N個のデ タgi (i 0,1,...,N 1) が確率密度関数
12
21exp1,
NiggP
10gg
g
,
に従って生成されたものとする.このとき,最尤推定
0
22 2p
2iigg
1Ng
による平均 と分散 の推定値
,
,maxargˆ,ˆ,
gP
による平均 と分散 の推定値
11ˆ
NigN
1
22 ˆ1ˆN
igN
が次式で与えられることを示せ.
0iN
0iN
物理フラクチュオマティクス論(東北大) 24