當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

马尔可夫“折棍子”过程 Markovian Stick-breaking Process 在直方图平滑中的应用

發布時間：2025/4/14 编程问答 31 豆豆

生活随笔收集整理的這篇文章主要介紹了马尔可夫“折棍子”过程 Markovian Stick-breaking Process 在直方图平滑中的应用小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

馬爾可夫“折棍子”過程 Markovian Stick-breaking Process 在直方圖平滑中的應用

- 用Dirichlet prior做Histogram Smoothing
- 用Markovian Stick-breaking Prior做Histogram Smoothing
- - Dirichlet Generator
  - Tridiagonal Generator

上一篇介紹了Markovian Stick-breaking Process的構造，這一篇介紹它在非參貝葉斯統計中的一個簡單應用——Histogram Smoothing。

用Dirichlet prior做Histogram Smoothing

這個toy example來自WILLIAM LIPPITT AND SUNDER SETHURAMAN的manuscript（ON THE USE OF MARKOVIAN STICK-BREAKING PRIORS）。

假設一個鞋店老板想了解附近居民的鞋碼分布，假設有 $d$ 種尺碼。在實際走訪之前，因為他沒有任何關于鞋碼分布的先驗信息，于是他決定使用non-informative measure：
$μ=1?d\mu=\frac{\vec 1}ze8trgl8bvbq$

在他走訪之后，記下了每種鞋碼對應的人數，用 $f?\vec f$ 表示；如果先驗為 $Dirichlet(θμ)Dirichlet(\theta \mu)$ ，則對于Multinomial的數據，后驗為 $Dirichlet(θμ+f?)Dirichlet(\theta\mu+\vec f)$ ，后驗均值為
$θμ+f?θ+f?T1?\frac{\theta \mu+\vec f}{\theta+\vec f^T \vec 1}$

因此 $θ\theta$ 可以代表先驗的強度， $θ\theta$ 越大，先驗對后驗的影響就越大。

上圖展示了Dirichlet prior的缺陷，在處理count data的時候，如果某些類別的數據樣本很少（中圖），那么在后驗均值中，這些類別也不會被填充（右圖），所以后驗均值的直方圖依舊無法展示數據的真實特征，也就是說Dirichlet prior并沒有完全發掘出所有類別的先驗信息。

用Markovian Stick-breaking Prior做Histogram Smoothing

Dirichlet Generator

要使用 $M S B (G)$ 作為先驗的話，需要先確定generator matrix $G$ ，因為Dirichlet prior是 $M S B (G)$ 的一個特例，我們可以先看看Dirichlet prior $Dirichlet(α)Dirichlet(\alpha)$ 對應的generator matrix。

用有向圖代表Dirichlet prior不同category（在這個例子中就是鞋碼）之間的dependence，但是Dirichlet prior中不同category是獨立的，因此從節點 $i$ 到 $j$ 的有向邊的權重只取決于 $j$ ，對于 $Dirichlet(α)Dirichlet(\alpha)$ 而言，這個權重與 $αj\alpha_j$ 成正比（簡單起見可以就用 $αj\alpha_j$ ），因此Dirichlet prior有向圖的伴隨矩陣為

$A=[α1α2α3?αdα1α2α3?αdα1α2α3?αd?????α1α2α3?αd]A=\left[ \begin{matrix} \alpha_1 & \alpha_2 & \alpha_3 & \cdots & \alpha_d \\ \alpha_1 & \alpha_2 & \alpha_3 & \cdots & \alpha_d \\ \alpha_1 & \alpha_2 & \alpha_3& \cdots & \alpha_d \\ \cdots & \cdots & \cdots & \cdots & \cdots \\ \alpha_1 & \alpha_2 & \alpha_3 & \cdots & \alpha_d\end{matrix} \right]$

根據Generator的定義把伴隨矩陣修正為generator：
$G=[α1?∑i=1dαiα2α3?αdα1α2?∑i=1dαiα3?αdα1α2α3?∑i=1dαi?αd?????α1α2α3?αd?∑i=1dαi]G=\left[ \begin{matrix} \alpha_1-\sum_{i=1}^d \alpha_i & \alpha_2 & \alpha_3 & \cdots & \alpha_d \\ \alpha_1 & \alpha_2-\sum_{i=1}^d \alpha_i & \alpha_3 & \cdots & \alpha_d \\ \alpha_1 & \alpha_2 & \alpha_3-\sum_{i=1}^d \alpha_i & \cdots & \alpha_d \\ \cdots & \cdots & \cdots & \cdots & \cdots \\ \alpha_1 & \alpha_2 & \alpha_3 & \cdots & \alpha_d -\sum_{i=1}^d \alpha_i \end{matrix} \right]$

這就是Dirichlet prior的generator matrix。

Tridiagonal Generator

根據Dirichlet generator的思想，用有向圖表示不同category之間的dependence structure，再把有向圖的伴隨矩陣改寫為generator的形式，這樣我們就可以根據需求設計category之間的prior dependence structure。

在鞋碼的這個例子中，我們可以假設鞋碼其實是根據連續型隨機變量——腳的長度——離散化之后的結果，因此鞋碼之間的dependence structure應該是：

相鄰鞋碼之間可能存在dependence，用

w

來表示這種dependence的權重；

與相鄰鞋碼之外的其他鞋碼之間無dependence

這兩個結果非常直觀，比如在買鞋的時候，平時穿40鞋的人最多再試一下39或者41，一般不會嘗試38或者42；根據我們對鞋碼之間dependence的認識，我們可以寫出對應有向圖的伴隨矩陣：

$A=[ww00wwww?00ww?0?????w00?w]A=\left[ \begin{matrix} w & w & 0 & 0 & w \\ w & w & w & \cdots & 0 \\ 0 & w & w& \cdots & 0 \\ \cdots & \cdots & \cdots & \cdots & \cdots \\ w & 0 & 0 & \cdots & w\end{matrix} \right]$

這里我做了一點標準化處理，假設category 1與category d相鄰，改寫為generator之后它就成了對角元相同的一個很像三對角矩陣的矩陣（因為有右上左下兩個 $w$ ，所以并不是三對角矩陣），這是就稱這種generator為tridiagonal generator的原因：

$G=[?2ww00ww?2ww?00w?2w?0?????w00??2w]G=\left[ \begin{matrix} -2w & w & 0 & 0 & w \\ w & -2w & w & \cdots & 0 \\ 0 & w & -2w& \cdots & 0 \\ \cdots & \cdots & \cdots & \cdots & \cdots \\ w & 0 & 0 & \cdots & -2w\end{matrix} \right]$

下面是原文的兩個模擬結果：

總結

以上是生活随笔為你收集整理的马尔可夫“折棍子”过程 Markovian Stick-breaking Process 在直方图平滑中的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇： UA MATH567 高维统计专题1 稀
下一篇： UA PHYS515A 电磁理论V 电磁