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)...
DESCRIPTION
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 Process 第 4 回 最尤推定とEMアルゴリズム 4th 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/. 今回の講義の講義ノート. 田中和之著: - PowerPoint PPT PresentationTRANSCRIPT
物理フラクチュオマティクス論 ( 東北大 ) 1
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 Process
第 4回 最尤推定と EM アルゴリズム4th 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/
物理フラクチュオマティクス論 ( 東北大 ) 2
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 ) 3
統計的学習理論とモデル選択
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
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
赤池情報量基準 (AIC) ,赤池ベイズ情報量基準 (ABIC) etc.
更なる拡張
不完全データにも対応
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 4
最尤推定(Maximum Likelihood Estimation)
,
パラメータ
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 5
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
1
1
0
Ng
g
g
g
,
パラメータ
1,,1,0 NV
0 1 2
3 4 5
6 7 8
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 6
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
データ
1
1
0
Ng
g
g
g
,
パラメータ
1,,1,0 NV
0 1 2
3 4 5
6 7 8
データ
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 7
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
データ
1
1
0
Ng
g
g
g
,
パラメータ
1,,1,0 NV
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 ) 8
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
データ
1
1
0
Ng
g
g
g
,
パラメータ
1,,1,0 NV
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
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
データ
1
1
0
Ng
g
g
g
,
パラメータ
1,,1,0 NV
0 1 2
3 4 5
6 7 8
データ ヒストグラム
,maxargˆ,ˆ,
gP
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 10
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
,maxargˆ,ˆ,
gP
データ
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 に対する尤もらしさを表す関数(尤度関数)とみなす.
g
1
1
0
Ng
g
g
g
,
パラメータ
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 11
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
,maxargˆ,ˆ,
gP
データ
0
,
0,
ˆ,ˆ
ˆ,ˆ
gP
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 に対する尤もらしさを表す関数(尤度関数)とみなす.
g
1
1
0
Ng
g
g
g
,
パラメータ
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 12
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
,maxargˆ,ˆ,
gP
データ
0
,
0,
ˆ,ˆ
ˆ,ˆ
gP
gP
1
0
1ˆ
N
iigN
1
0
22 ˆ1
ˆN
iigN
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 に対する尤もらしさを表す関数(尤度関数)とみなす.
g
標本平均 標本分散
1
1
0
Ng
g
g
g
,
パラメータ
14 January, 2010Hokkaido University GCOE Tutorial
(Sapporo ) 13
最尤推定(Maximum Likelihood Estimation)
1
0
222 2
1exp
2
1,
N
iiggP
,maxargˆ,ˆ,
gP
データ
0
,
0,
ˆ,ˆ
ˆ,ˆ
gP
gP
1
0
1ˆ
N
iigN
1
0
22 ˆ1
ˆN
iigN
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 に対する尤もらしさを表す関数(尤度関数)とみなす.
g
標本平均 標本分散
1
1
0
Ng
g
g
g
,
パラメータ
ヒストグラム
物理フラクチュオマティクス論 ( 東北大 ) 14
1
1
0
Nf
f
f
f
最尤推定
1
0
2
22 2
1exp
2
1,
N
iii fgfgP
gP
maxargˆ データ
0
,1
ˆ
gP
1
1
22 11ˆ
N
iigN
極値条件
1
0
2
2
1exp
2
1N
iiffP
ff
fPfgPgfPgP
,,
1
1
0
Ng
g
g
g
ハイパパラメータ
パラメータ
fdgfPff
,ˆ
gP
fPfgPgfP
,,
ベイズの公式
不完全データ
f
が分からなかったらどうしよう
を考えよう.わかっている場合
は完全にまず fP
周辺尤度
不完全データ
物理フラクチュオマティクス論 ( 東北大 ) 15
信号処理の確率モデル
原信号 観測信号
通信路
雑音
周辺尤度
事前確率尤度事後確率
観測信号
原信号原信号観測信号観測信号原信号
Pr
Pr|PrPr
白色ガウス雑音原信号観測信号
i
fi
i
gi
ベイズの公式
物理フラクチュオマティクス論 ( 東北大 ) 16
原信号の事前確率
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 2 3X
3 4 4 5XX
=
Ejiji
EjiEjiji
ffZ
ffZ
fP
},{
2
Prior
},{},{
2
Prior
2
1exp
1
2
1exp
1
E:すべての最近接ノード(画素)対の集合
i j
物理フラクチュオマティクス論 ( 東北大 ) 17
データ生成過程
加法的白色ガウス 雑音 (Additive White Gaussian Noise)
2,0~ Nfg ii
Viii gffgP 2
22 2
1exp
2
1,
V:すべてのノード(画素)の集合
物理フラクチュオマティクス論 ( 東北大 ) 18
信号処理の確率モデル
Viii fgfgP 2
22 2
1exp
2
1,
Ejiji ff
ZfP
},{
2
prior 2
1exp
1
1
1
0
Nf
f
f
f
データ
1
1
0
Ng
g
g
g
ハイパパラメータ
i
fi
i
gi
不完全データ
パラメータ
fdfPfgP
fPfgPgfP
,
,,,
fdgfPff ii
,,ˆ
事後確率
物理フラクチュオマティクス論 ( 東北大 ) 19
1
1
0
Nf
f
f
f
信号処理の最尤推定
,maxargˆ,ˆ,
gP
データ
0
,,0
,
ˆ,ˆˆ,ˆ
gPgP
極値条件
fdfPfgPgP ,,
1
1
0
Ng
g
g
g
ハイパパラメータ
パラメータ
不完全データ
周辺尤度
物理フラクチュオマティクス論 ( 東北大 ) 20
1
1
0
Nf
f
f
f
最尤推定と EM アルゴリズム
データ
0
,,0
,
ˆ,ˆˆ,ˆ
gPgP
極値条件
fdfPfgPgP ,,
1
1
0
Ng
g
g
g
ハイパパラメータ
パラメータ
fdgfPgfP
Q
,,ln,,
,,
)(),(,maxarg
)1()1(
Update:Step M
)(),(, Calculate :Step E
),(ttQ
t,σtα
ttQ
0
,,
0,,
,
,
Q
Q
EM アルゴリズムが収束すれば周辺尤度の極値条件の解になる.
Q関数
周辺尤度
不完全データ
物理フラクチュオマティクス論 ( 東北大 ) 21
1 次元信号のモデル選択
EM Algorithm
i
i
i
0 127 255
0 127 255
0 127 255
100
0
200
100
0
200
100
0
200
if
ig
if
Original Signal
Degraded Signal
Estimated Signal
40
0.04
0.03
0.02
0.01
α(t)
0
α(0)=0.0001, σ(0)=100
物理フラクチュオマティクス論 ( 東北大 ) 22
ノイズ除去のモデル選択
原画像 劣化画像 EM アルゴリズムと確率伝搬法
α(0)=0.0001σ(0)=100
推定画像
MSE
327 0.000611 36.30
MSE
260 0.000574 34.00
2ˆ||
1MSE
i
ii ff
40
物理フラクチュオマティクス論 ( 東北大 ) 23
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 ) 24
N 個のデータ gi (i=0,1,...,N-1) が確率密度関数
,
に従って生成されたものとする.このとき,最尤推定
による平均
,
演習問題 4 ー 1
1
0
222 2
1exp
2
1,
N
iiggP
1
1
0
Ng
g
g
g
,
,maxargˆ,ˆ,
gP
1
0
1ˆ
N
iigN
1
0
22 ˆ1
ˆN
iigN
,
,