證據下界

在變分貝葉斯方法中，證據下界（英語：evidence lower bound，ELBO；有時也稱為變分下界或負變分自由能）是一種用於估計一些觀測數據的對數似然的下限。

術語和符號

設$X$和$Z$是隨機變量，其聯合分布為$p_{\theta }$。例如，$p_{\theta }(X)$是$X$的邊緣分布，$p_{\theta }(Z\mid X)$是在給定$X$的條件下，$Z$的條件分布。那麼對於任何從$p_{\theta }$中抽取的樣本$x\sim p_{\theta }$和任何分布$q_{\phi }$，我們有：

$$\ln p_{\theta }(x)\geq \mathbb {\mathbb {E} } _{z\sim q_{\phi }}\left[\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z)}}\right].$$

我們將上述不等式稱為ELBO不等式。其中，左側稱為$x$的證據，右側稱為$x$的證據下界（ELBO）。

在變分貝葉斯方法的術語中，分布$p_{\theta }(X)$稱為證據。一些人使用「證據」一詞來表示$\ln p_{\theta }(X)$，而其他作者將$\ln p_{\theta }(X)$稱為對數證據，有些人會交替使用證據和對數證據這兩個術語。

ELBO 沒有普遍且固定的表示法。在本文中我們使用$$L(\phi ,\theta ;x):=\mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right].$$

動機

變分貝葉斯推理

假設我們有一個可觀察的隨機變量$X$，並且我們想找到其真實分布$p^{*}$。這將允許我們通過抽樣生成數據，並估計未來事件的概率。一般來說，精確找到$p^{*}$是不可能的，因此我們不得不尋找一個近似。

也就是說，我們定義一個足夠大的參數化分布族$\{p_{\theta }\}_{\theta \in \Theta }$，然後最小化某種損失函數$L$，$\min _{\theta }L(p_{\theta },p^{*})$。解決這個問題的一種可能方法是考慮從$p_{\theta }$到$p_{\theta +\delta \theta }$的微小變化，並解決$L(p_{\theta },p^{*})-L(p_{\theta +\delta \theta },p^{*})=0$。這是變分法中的一個變分問題，因此被稱為變分方法。

由於明確參數化的分布族並不多（所有經典的分布族，如常態分布、Gumbel分布等都太過簡單，無法很好地模擬真實分布），我們考慮隱式參數化的概率分布：

• 首先，定義一個在潛在隨機變量$Z$上的簡單分布$p(z)$。通常情況下，常態分布或均勻分布已足夠。
• 接下來，定義一個由$\theta$參數化的複雜函數族$f_{\theta }$（例如深度神經網絡）。
• 最後，定義一種將任何$f_{\theta }(z)$轉換為可觀測隨機變量$X$的簡單分布的方法。例如，讓$f_{\theta }(z)=(f_{1}(z),f_{2}(z))$具有兩個輸出，那麼我們可以將相應的分布定義為在$X$上的常態分布${\mathcal {N}}(f_{1}(z),e^{f_{2}(z)})$。

這定義了一個關於$(X,Z)$的聯合分布族$p_{\theta }$。從$p_{\theta }$中抽取樣本$(x,z)\sim p_{\theta }$變得非常容易：只需從$p$中抽樣$z\sim p$，然後計算$f_{\theta }(z)$，最後使用$f_{\theta }(z)$來抽樣$x\sim p_{\theta }(\cdot |z)$。

換句話說，我們擁有了一個可觀測量和潛在隨機變量的生成模型。

現在，我們認為一個分布$p_{\theta }$是好的，如果它是$p^{*}$的一個接近近似：$$p_{\theta }(X)\approx p^{*}(X)$$由於右側的分布僅涉及到$X$，因此左側的分布必須消除潛在變量$Z$的影響，即要對$Z$進行邊緣化。

一般情況下，我們無法積分$p_{\theta }(x)=\int p_{\theta }(x|z)p(z)dz$，這迫使我們尋找另一個近似。

由於$p_{\theta }(x)={\frac {p_{\theta }(x|z)p(z)}{p_{\theta }(z|x)}}$，因此我們只需要找到一個$p_{\theta }(z|x)$的好的近似即可。因此，我們定義另一個分布族$q_{\phi }(z|x)$來近似$p_{\theta }(z|x)$，這是一個針對潛在變量的判別模型。

下表概述了所有情況:

$X$：觀測量	$X,Z$	$Z$：潛變量
$p^{*}(x)\approx p_{\theta }(x)\approx {\frac {p_{\theta }(x|z)p(z)}{q_{\phi }(z|x)}}$可近似的		$p(z)$，簡單
	$p_{\theta }(x|z)p(z)$，簡單
$p_{\theta }(z|x)\approx q_{\phi }(z|x)$可近似的		$p_{\theta }(x|z)$，簡單

用貝葉斯的方式來說，$X$是觀測到的證據，$Z$是潛在/未觀測到的隨機變量。分布$p$在$Z$上是$Z$的先驗分布，$p_{\theta }(x|z)$是似然函數，而$p_{\theta }(z|x)$是$Z$的後驗分布。

給定一個觀測值$x$，我們可以通過計算$p_{\theta }(z|x)$來推斷出可能導致$x$出現的$z$。通常的貝葉斯方法是估計積分：

$$p_{\theta }(x)=\int p_{\theta }(x|z)p(z)dz$$

然後通過貝葉斯定理計算：

$$p_{\theta }(z|x)={\frac {p_{\theta }(x|z)p(z)}{p_{\theta }(x)}}$$

這通常是非常耗時的，但如果我們可以找到一個在大多數$x,z$下的好近似$q_{\phi }(z|x)\approx p_{\theta }(z|x)$，那麼我們就可以快速地從$x$推斷出$z$。因此，尋找一個好的$q_{\phi }$也稱為攤銷推斷。

綜上所述，我們找到了一個變分貝葉斯推斷問題。

推導ELBO

變分推斷中的一個基本結果是，最小化Kullback–Leibler 散度（KL散度）等價於最大化對數似然：$$\mathbb {E} _{x\sim p^{*}(x)}[\ln p_{\theta }(x)]=-H(p^{*})-D_{\mathit {KL}}(p^{*}(x)\|p_{\theta }(x))$$其中$H(p^{*})=-\mathbb {\mathbb {E} } _{x\sim p^{*}}[\ln p^{*}(x)]$是真實分布的熵。因此，如果我們可以最大化$\mathbb {E} _{x\sim p^{*}(x)}[\ln p_{\theta }(x)]$

我們就可以最小化$D_{\mathit {KL}}(p^{*}(x)\|p_{\theta }(x))$

因此找到一個準確的近似$p_{\theta }\approx p^{*}$。要最大化$\mathbb {E} _{x\sim p^{*}(x)}[\ln p_{\theta }(x)]$我們只需從真實分布中抽取許多樣本$x_{i}\sim p^{*}(x)$，然後使用：$$N\max _{\theta }\mathbb {E} _{x\sim p^{*}(x)}[\ln p_{\theta }(x)]\approx \max _{\theta }\sum _{i}\ln p_{\theta }(x_{i})$$為了最大化$\sum _{i}\ln p_{\theta }(x_{i})$，必須要找到$\ln p_{\theta }(x_{i})$：$$\ln p_{\theta }(x)=\ln \int p_{\theta }(x|z)p(z)dz$$這通常沒有解析解，必須進行估計。估計積分的常用方法是使用重要性採樣進行蒙特卡洛積分：$$\int p_{\theta }(x|z)p(z)dz=\mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[{\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right]$$其中，$q_{\phi }(z|x)$是我們用於進行蒙特卡羅積分的在$z$上的抽樣分布。因此，我們可以看到，如果我們抽樣$z\sim q_{\phi }(\cdot |x)$，那麼${\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}$是$p_{\theta }(x)$的一個無偏估計量。不幸的是，這並不能給我們一個對$\ln p_{\theta }(x)$的無偏估計量，因為$\ln$是非線性的。事實上，由於琴生（Jensen）不等式，我們有：$$\ln p_{\theta }(x)=\ln \mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[{\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right]\geq \mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right]$$事實上，所有明顯的$\ln p_{\theta }(x)$的估計量都是向下偏的，因為無論我們取多少個$z_{i}\sim q_{\phi }(\cdot |x)$的樣本，我們都可以由琴生不等式得到：$$\mathbb {E} _{z_{i}\sim q_{\phi }(\cdot |x)}\left[\ln \left({\frac {1}{N}}\sum _{i}{\frac {p_{\theta }(x,z_{i})}{q_{\phi }(z_{i}|x)}}\right)\right]\leq \ln \mathbb {E} _{z_{i}\sim q_{\phi }(\cdot |x)}\left[{\frac {1}{N}}\sum _{i}{\frac {p_{\theta }(x,z_{i})}{q_{\phi }(z_{i}|x)}}\right]=\ln p_{\theta }(x)$$減去右邊，我們可以看出問題歸結為零的有偏估計問題：$$\mathbb {E} _{z_{i}\sim q_{\phi }(\cdot |x)}\left[\ln \left({\frac {1}{N}}\sum _{i}{\frac {p_{\theta }(z_{i}|x)}{q_{\phi }(z_{i}|x)}}\right)\right]\leq 0$$通過delta 方法，我們有$$\mathbb {E} _{z_{i}\sim q_{\phi }(\cdot |x)}\left[\ln \left({\frac {1}{N}}\sum _{i}{\frac {p_{\theta }(z_{i}|x)}{q_{\phi }(z_{i}|x)}}\right)\right]\approx -{\frac {1}{2N}}\mathbb {V} _{z\sim q_{\phi }(\cdot |x)}\left[{\frac {p_{\theta }(z|x)}{q_{\phi }(z|x)}}\right]=O(N^{-1})$$如果我們繼續推導，我們將得到加權自編碼器。但是讓我們先回到最簡單的情況，即$N=1$:$$\ln p_{\theta }(x)=\ln \mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[{\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right]\geq \mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right]$$不等式的緊度有一個解析解：$$\ln p_{\theta }(x)-\mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right]=D_{\mathit {KL}}(q_{\phi }(\cdot |x)\|p_{\theta }(\cdot |x))\geq 0$$這樣我們就得到了ELBO函數：$$L(\phi ,\theta ;x):=\ln p_{\theta }(x)-D_{\mathit {KL}}(q_{\phi }(\cdot |x)\|p_{\theta }(\cdot |x))$$

最大化 ELBO

對於固定的$x$，優化$\max _{\theta ,\phi }L(\phi ,\theta ;x)$的同時試圖最大化$\ln p_{\theta }(x)$和最小化$D_{\mathit {KL}}(q_{\phi }(\cdot |x)\|p_{\theta }(\cdot |x))$。如果$p_{\theta }$和$q_{\phi }$的參數化足夠靈活，我們會得到一些 ${\hat {\phi }},{\hat {\theta }}$，使得我們同時得到了以下近似：$$\ln p_{\hat {\theta }}(x)\approx \max _{\theta }\ln p_{\theta }(x);\quad q_{\hat {\phi }}(\cdot |x)\approx p_{\hat {\theta }}(\cdot |x)$$由於$$\mathbb {E} _{x\sim p^{*}(x)}[\ln p_{\theta }(x)]=-H(p^{*})-D_{\mathit {KL}}(p^{*}(x)\|p_{\theta }(x))$$我們有$$\ln p_{\hat {\theta }}(x)\approx \max _{\theta }-H(p^{*})-D_{\mathit {KL}}(p^{*}(x)\|p_{\theta }(x))$$所以$${\hat {\theta }}\approx \arg \min D_{\mathit {KL}}(p^{*}(x)\|p_{\theta }(x))$$也就是說： 最大化ELBO將同時使我們得到一個準確的生成模型$p_{\hat {\theta }}\approx p^{*}$和一個準確的判別模型 $q_{\hat {\phi }}(\cdot |x)\approx p_{\hat {\theta }}(\cdot |x)$。

主要形式

ELBO具有許多可能的表達式，每個表達式都有不同的強調。$$\mathbb {E} _{z\sim q_{\phi }(\cdot |x)}\left[\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}\right]=\int q_{\phi }(z|x)\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}dz$$這個形式表明，如果我們抽樣$z\sim q_{\phi }(\cdot |x)$ ， 則$\ln {\frac {p_{\theta }(x,z)}{q_{\phi }(z|x)}}$是 ELBO 的無偏估計量。$$\ln p_{\theta }(x)-D_{\mathit {KL}}(q_{\phi }(\cdot |x)\;\|\;p_{\theta }(\cdot |x))$$這種形式顯示 ELBO 是證據$\ln p_{\theta }(x)$的下界 ，並且關於$\phi$最大化 ELBO 等價於最小化從$p_{\theta }(\cdot |x)$到$q_{\phi }(\cdot |x)$ KL 散度 .$$\mathbb {E} _{z\sim q_{\phi }(\cdot |x)}[\ln p_{\theta }(x|z)]-D_{\mathit {KL}}(q_{\phi }(\cdot |x)\;\|\;p)$$這種形式顯示，最大化ELBO同時試圖將$q_{\phi }(\cdot |x)$保持接近$p$，並將$q_{\phi }(\cdot |x)$集中在最大化$\ln p_{\theta }(x|z)$的那些$z$上。也就是說，近似後驗$q_{\phi }(\cdot |x)$在保持先驗$p$的同時，朝著最大似然$\arg \max _{z}\ln p_{\theta }(x|z)$移動。$$H(q_{\phi }(\cdot |x))+\mathbb {E} _{z\sim q(\cdot |x)}[\ln p_{\theta }(z|x)]+\ln p_{\theta }(x)$$這個形式顯示，最大化ELBO同時試圖保持$q_{\phi }(\cdot |x)$的熵高，並將$q_{\phi }(\cdot |x)$集中於最大化$\ln p_{\theta }(z|x)$的那些$z$ 。也就是說，近似後驗$q_{\phi }(\cdot |x)$在均勻分布和向最大後驗$\arg \max _{z}\ln p_{\theta }(z|x)$之間保持平衡。

數據處理不等式

假設我們從$p^{*}$中取$N$個獨立樣本，並將它們收集在數據集$D=\{x_{1},...,x_{N}\}$中，則我們具有經驗分布$q_{D}(x)={\frac {1}{N}}\sum _{i}\delta _{x_{i}}$。其中$\delta$表示衝激函數（Dirac函數）。

從$p_{\theta }(x)$擬合$q_{D}(x)$通常可以通過最大化對數似然$\ln p_{\theta }(D)$來完成：$$D_{\mathit {KL}}(q_{D}(x)\|p_{\theta }(x))=-{\frac {1}{N}}\sum _{i}\ln p_{\theta }(x_{i})-H(q_{D})=-{\frac {1}{N}}\ln p_{\theta }(D)+H(q_{D})$$現在，根據 ELBO 不等式，我們可以約束$\ln p_{\theta }(D)$ ， 因此$$D_{\mathit {KL}}(q_{D}(x)\|p_{\theta }(x))\leq -{\frac {1}{N}}L(\phi ,\theta ;D)-H(q_{D})$$右側簡化為 KL 散度，因此我們得到：$$D_{\mathit {KL}}(q_{D}(x)\|p_{\theta }(x))\leq -{\frac {1}{N}}\sum _{i}L(\phi ,\theta ;x_{i})-H(q_{D})=D_{\mathit {KL}}(q_{D,\phi }(x,z);p_{\theta }(x,z))$$這個結果可以解釋為數據處理不等式的一個特例。

在這個解釋下，最大化$L(\phi ,\theta ;D)=\sum _{i}L(\phi ,\theta ;x_{i})$等價於最小化$D_{\mathit {KL}}(q_{D,\phi }(x,z);p_{\theta }(x,z))$，其中上式是真實的需要估計的量$D_{\mathit {KL}}(q_{D}(x);p_{\theta }(x))$的上界，通過數據處理不等式獲得。也就是說，我們通過將潛在空間與觀測空間連接起來，為了更高效地最小化KL散度而付出了較弱的不等式代價。