Enviar pesquisa
Carregar
On the Integration of Topic Modeling and Dictionary Learning の サンプリングのための式解説
•
0 gostou
•
279 visualizações
Tomonari Masada
Seguir
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 4
Baixar agora
Baixar para ler offline
Recomendados
Unitat 0
Unitat 0
ecasanys
Pantallazoz (1)
Pantallazoz (1)
luis_sol06
Utilidad de excel
Utilidad de excel
Self-Employed
A Note on Sparse Stochastic Inference for Latent Dirichlet Allocation
A Note on Sparse Stochastic Inference for Latent Dirichlet Allocation
Tomonari Masada
Solar System Models
Solar System Models
taseiple
Nai dunia events presentation 11 12
Nai dunia events presentation 11 12
vivek424
LA SOCIEDAD DEL CONOCIMIENTO POR CARLOS GUERRERO
LA SOCIEDAD DEL CONOCIMIENTO POR CARLOS GUERRERO
cagd90
Metodo Dunpot
Metodo Dunpot
Cynthia
Recomendados
Unitat 0
Unitat 0
ecasanys
Pantallazoz (1)
Pantallazoz (1)
luis_sol06
Utilidad de excel
Utilidad de excel
Self-Employed
A Note on Sparse Stochastic Inference for Latent Dirichlet Allocation
A Note on Sparse Stochastic Inference for Latent Dirichlet Allocation
Tomonari Masada
Solar System Models
Solar System Models
taseiple
Nai dunia events presentation 11 12
Nai dunia events presentation 11 12
vivek424
LA SOCIEDAD DEL CONOCIMIENTO POR CARLOS GUERRERO
LA SOCIEDAD DEL CONOCIMIENTO POR CARLOS GUERRERO
cagd90
Metodo Dunpot
Metodo Dunpot
Cynthia
2. kvkv-gambar
2. kvkv-gambar
Shafiq Shaharuddin
โรงเรียนเขาเพิ่มนารีผลวิทยา จังหวัดนครนายก
โรงเรียนเขาเพิ่มนารีผลวิทยา จังหวัดนครนายก
phummariang permpool
Jorge leonardo rivera lozano
Jorge leonardo rivera lozano
Jorge Rivera
Mundo em descontrole
Mundo em descontrole
Elder Fabiano Silva
Sistemas de información institucional
Sistemas de información institucional
AlexanderLeon01
แฟ้มสะสมงานอิเล็กทรอนิกส์
แฟ้มสะสมงานอิเล็กทรอนิกส์
Tvet Res
Modulo osi 4 . 15
Modulo osi 4 . 15
cristianvillada
Imagine dragons
Imagine dragons
abiharrissa2
Test1
Test1
ppandura
Autismo
Autismo
frank777mancilla
Cuadros remunerativos agosto 2009
Cuadros remunerativos agosto 2009
Jorge Eduardo Lucero Vilca
Bacaan abjad
Bacaan abjad
Ves Van
MODULO DE ELECTRONICA HOMESCHOOL
MODULO DE ELECTRONICA HOMESCHOOL
JULIANCHO1014
ぷらぐいんになっちゃった
ぷらぐいんになっちゃった
Chieko Aihara
Presentación del proyecto evet
Presentación del proyecto evet
María-del-Mar Sanchez-Vera
MẪU BÁO CÁO KIỂM TOÁN HỆ THỐNG CƠ ĐIỆN TÒA NHÀ CHUNG CƯ.PDF
MẪU BÁO CÁO KIỂM TOÁN HỆ THỐNG CƠ ĐIỆN TÒA NHÀ CHUNG CƯ.PDF
SFP
Comic Imagenologia Rayos x
Comic Imagenologia Rayos x
Mariana López
Trabajo imagenes
Trabajo imagenes
victorfloresduran
Marketing Digital - 4 sabado com TIC - Maio de 2014 - Sistema Estácio/FIC
Marketing Digital - 4 sabado com TIC - Maio de 2014 - Sistema Estácio/FIC
Felipe Girão
Learning Latent Space Energy Based Prior Modelの解説
Learning Latent Space Energy Based Prior Modelの解説
Tomonari Masada
Denoising Diffusion Probabilistic Modelsの重要な式の解説
Denoising Diffusion Probabilistic Modelsの重要な式の解説
Tomonari Masada
Context-dependent Token-wise Variational Autoencoder for Topic Modeling
Context-dependent Token-wise Variational Autoencoder for Topic Modeling
Tomonari Masada
Mais conteúdo relacionado
Destaque
2. kvkv-gambar
2. kvkv-gambar
Shafiq Shaharuddin
โรงเรียนเขาเพิ่มนารีผลวิทยา จังหวัดนครนายก
โรงเรียนเขาเพิ่มนารีผลวิทยา จังหวัดนครนายก
phummariang permpool
Jorge leonardo rivera lozano
Jorge leonardo rivera lozano
Jorge Rivera
Mundo em descontrole
Mundo em descontrole
Elder Fabiano Silva
Sistemas de información institucional
Sistemas de información institucional
AlexanderLeon01
แฟ้มสะสมงานอิเล็กทรอนิกส์
แฟ้มสะสมงานอิเล็กทรอนิกส์
Tvet Res
Modulo osi 4 . 15
Modulo osi 4 . 15
cristianvillada
Imagine dragons
Imagine dragons
abiharrissa2
Test1
Test1
ppandura
Autismo
Autismo
frank777mancilla
Cuadros remunerativos agosto 2009
Cuadros remunerativos agosto 2009
Jorge Eduardo Lucero Vilca
Bacaan abjad
Bacaan abjad
Ves Van
MODULO DE ELECTRONICA HOMESCHOOL
MODULO DE ELECTRONICA HOMESCHOOL
JULIANCHO1014
ぷらぐいんになっちゃった
ぷらぐいんになっちゃった
Chieko Aihara
Presentación del proyecto evet
Presentación del proyecto evet
María-del-Mar Sanchez-Vera
MẪU BÁO CÁO KIỂM TOÁN HỆ THỐNG CƠ ĐIỆN TÒA NHÀ CHUNG CƯ.PDF
MẪU BÁO CÁO KIỂM TOÁN HỆ THỐNG CƠ ĐIỆN TÒA NHÀ CHUNG CƯ.PDF
SFP
Comic Imagenologia Rayos x
Comic Imagenologia Rayos x
Mariana López
Trabajo imagenes
Trabajo imagenes
victorfloresduran
Marketing Digital - 4 sabado com TIC - Maio de 2014 - Sistema Estácio/FIC
Marketing Digital - 4 sabado com TIC - Maio de 2014 - Sistema Estácio/FIC
Felipe Girão
Destaque
(19)
2. kvkv-gambar
2. kvkv-gambar
โรงเรียนเขาเพิ่มนารีผลวิทยา จังหวัดนครนายก
โรงเรียนเขาเพิ่มนารีผลวิทยา จังหวัดนครนายก
Jorge leonardo rivera lozano
Jorge leonardo rivera lozano
Mundo em descontrole
Mundo em descontrole
Sistemas de información institucional
Sistemas de información institucional
แฟ้มสะสมงานอิเล็กทรอนิกส์
แฟ้มสะสมงานอิเล็กทรอนิกส์
Modulo osi 4 . 15
Modulo osi 4 . 15
Imagine dragons
Imagine dragons
Test1
Test1
Autismo
Autismo
Cuadros remunerativos agosto 2009
Cuadros remunerativos agosto 2009
Bacaan abjad
Bacaan abjad
MODULO DE ELECTRONICA HOMESCHOOL
MODULO DE ELECTRONICA HOMESCHOOL
ぷらぐいんになっちゃった
ぷらぐいんになっちゃった
Presentación del proyecto evet
Presentación del proyecto evet
MẪU BÁO CÁO KIỂM TOÁN HỆ THỐNG CƠ ĐIỆN TÒA NHÀ CHUNG CƯ.PDF
MẪU BÁO CÁO KIỂM TOÁN HỆ THỐNG CƠ ĐIỆN TÒA NHÀ CHUNG CƯ.PDF
Comic Imagenologia Rayos x
Comic Imagenologia Rayos x
Trabajo imagenes
Trabajo imagenes
Marketing Digital - 4 sabado com TIC - Maio de 2014 - Sistema Estácio/FIC
Marketing Digital - 4 sabado com TIC - Maio de 2014 - Sistema Estácio/FIC
Mais de Tomonari Masada
Learning Latent Space Energy Based Prior Modelの解説
Learning Latent Space Energy Based Prior Modelの解説
Tomonari Masada
Denoising Diffusion Probabilistic Modelsの重要な式の解説
Denoising Diffusion Probabilistic Modelsの重要な式の解説
Tomonari Masada
Context-dependent Token-wise Variational Autoencoder for Topic Modeling
Context-dependent Token-wise Variational Autoencoder for Topic Modeling
Tomonari Masada
A note on the density of Gumbel-softmax
A note on the density of Gumbel-softmax
Tomonari Masada
トピックモデルの基礎と応用
トピックモデルの基礎と応用
Tomonari Masada
Expectation propagation for latent Dirichlet allocation
Expectation propagation for latent Dirichlet allocation
Tomonari Masada
Mini-batch Variational Inference for Time-Aware Topic Modeling
Mini-batch Variational Inference for Time-Aware Topic Modeling
Tomonari Masada
A note on variational inference for the univariate Gaussian
A note on variational inference for the univariate Gaussian
Tomonari Masada
Document Modeling with Implicit Approximate Posterior Distributions
Document Modeling with Implicit Approximate Posterior Distributions
Tomonari Masada
LDA-Based Scoring of Sequences Generated by RNN for Automatic Tanka Composition
LDA-Based Scoring of Sequences Generated by RNN for Automatic Tanka Composition
Tomonari Masada
A Note on ZINB-VAE
A Note on ZINB-VAE
Tomonari Masada
A Note on Latent LSTM Allocation
A Note on Latent LSTM Allocation
Tomonari Masada
A Note on TopicRNN
A Note on TopicRNN
Tomonari Masada
Topic modeling with Poisson factorization (2)
Topic modeling with Poisson factorization (2)
Tomonari Masada
Poisson factorization
Poisson factorization
Tomonari Masada
A Simple Stochastic Gradient Variational Bayes for the Correlated Topic Model
A Simple Stochastic Gradient Variational Bayes for the Correlated Topic Model
Tomonari Masada
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
Tomonari Masada
Word count in Husserliana Volumes 1 to 28
Word count in Husserliana Volumes 1 to 28
Tomonari Masada
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
Tomonari Masada
FDSE2015
FDSE2015
Tomonari Masada
Mais de Tomonari Masada
(20)
Learning Latent Space Energy Based Prior Modelの解説
Learning Latent Space Energy Based Prior Modelの解説
Denoising Diffusion Probabilistic Modelsの重要な式の解説
Denoising Diffusion Probabilistic Modelsの重要な式の解説
Context-dependent Token-wise Variational Autoencoder for Topic Modeling
Context-dependent Token-wise Variational Autoencoder for Topic Modeling
A note on the density of Gumbel-softmax
A note on the density of Gumbel-softmax
トピックモデルの基礎と応用
トピックモデルの基礎と応用
Expectation propagation for latent Dirichlet allocation
Expectation propagation for latent Dirichlet allocation
Mini-batch Variational Inference for Time-Aware Topic Modeling
Mini-batch Variational Inference for Time-Aware Topic Modeling
A note on variational inference for the univariate Gaussian
A note on variational inference for the univariate Gaussian
Document Modeling with Implicit Approximate Posterior Distributions
Document Modeling with Implicit Approximate Posterior Distributions
LDA-Based Scoring of Sequences Generated by RNN for Automatic Tanka Composition
LDA-Based Scoring of Sequences Generated by RNN for Automatic Tanka Composition
A Note on ZINB-VAE
A Note on ZINB-VAE
A Note on Latent LSTM Allocation
A Note on Latent LSTM Allocation
A Note on TopicRNN
A Note on TopicRNN
Topic modeling with Poisson factorization (2)
Topic modeling with Poisson factorization (2)
Poisson factorization
Poisson factorization
A Simple Stochastic Gradient Variational Bayes for the Correlated Topic Model
A Simple Stochastic Gradient Variational Bayes for the Correlated Topic Model
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
Word count in Husserliana Volumes 1 to 28
Word count in Husserliana Volumes 1 to 28
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
A Simple Stochastic Gradient Variational Bayes for Latent Dirichlet Allocation
FDSE2015
FDSE2015
Último
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
Último
(8)
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
On the Integration of Topic Modeling and Dictionary Learning の サンプリングのための式解説
1.
On the Integration
of Topic Modeling and Dictionary Learningの サンプリングのための式解説 正田備也 @長崎大学 平成 23 年 12 月 20 日 1 Full joint distribution 個々の隠れ変数やパラメータについて、まず、別々に確率(密度)の式を書いておく。 p(xmip|d·p, zmi, smi, γϵ) = √ γϵ 2π exp { − γϵ(xmip − ∑ k dkpzmiksmik)2 2 } (1) p(dkp|mk, γd) = √ γd 2π exp { − γd(dkp − mk)2 2 } (2) p(mk|γm) = √ γm 2π exp ( − γmm2 k 2 ) (3) p(smik|γs) = 2 √ γs 2π exp ( − γss2 mik 2 ) smik ≥ 0 0 otherwise = δ(smik ≥ 0) · 2 √ γs 2π exp ( − γss2 mik 2 ) (4) p(zmik|πhmik,hmi ) = πzmik hmik(1 − πhmik)1−zmik where zmik ∈ {0, 1}, hmi ∈ {1, . . . , J}. (5) p(πjk|c1, ηk) = Γ(c1) Γ(c1ηk)Γ(c1(1 − ηk)) πc1ηk−1 jk (1 − πjk)c1(1−ηk)−1 (6) p(ηk|c0, η0) = Γ(c0) Γ(c0η0)Γ(c0(1 − η0)) ηc0η0−1 k (1 − ηk)c0(1−η0)−1 (7) p(γϵ|aϵ, bϵ) = baϵ ϵ Γ(aϵ) γaϵ−1 ϵ e−bϵγϵ (8) p(γs|as, bs) = bas s Γ(as) γas−1 s e−bsγs (9) p(hmi|νrm , rm) = ∑ j δ(hmi = j)νrmj where rm ∈ {1, . . . , T}, ∑ j νtj = 1. (10) p(νt|αν) = Γ(αν) Γ(αν/J)J ∏ j ν αν /J−1 tj (11) p(rm|µ) = ∑ t δ(rm = t)µt where ∑ t µt = 1. (12) p(µ|αµ) = Γ(αµ) Γ(αµ/T)T ∏ t µ αµ/T −1 t (13) p(ym|ωrm , rm) ∝ ∏ l ω Nmyml |ym| rml (14) p(ωt|αω) = Γ(αω) Γ(αω/L)L ω αω/L−1 tl (15) ただし、δ(·) は、() 内の条件が成立するとき 1、それ以外のとき 0 の値をとる。 1
2.
以上をまとめると、full joint distribution
が以下のように書ける。 p(X, D, S, Z, π, η, h, ν, r, µ, y, ω, γϵ, γs|c1, c0, η0, aϵ, bϵ, as, bs, αν, αω) = M∏ m=1 Nm∏ i=1 P∏ p=1 p(xmip|d·p, zmi, smi, γϵ) · K∏ k=1 P∏ p=1 p(dkp|mk, γd) · M∏ m=1 Nm∏ i=1 K∏ k=1 p(smik|γs) · p(mk|γm) · M∏ m=1 Nm∏ i=1 K∏ k=1 p(zmik|πhmik, hmi) · J∏ j=1 K∏ k=1 p(πjk|c1, ηk) · ∏ k p(ηk|c0, η0) · p(γϵ|aϵ, bϵ) · p(γs|as, bs) · M∏ m=1 Nm∏ i=1 p(hmi|νrm , rm) · T∏ t=1 p(νt|αν) · M∏ m=1 p(rm|µ) · p(µ|αµ) · M∏ m=1 p(ym|ωrm , rm) · T∏ t=1 p(ωt|αω) (16) 2 Full conditional distributions for Gibbs sampling dkp の事後分布を求める。 p(dkp| · · · ) = p(X, D, S, Z, π, η, h, ν, r, µ, y, ω, γϵ, γs|c1, c0, η0, aϵ, bϵ, as, bs, αν, αω) ∫ p(X, D, S, Z, π, η, h, ν, r, µ, y, ω, γϵ, γs|c1, c0, η0, aϵ, bϵ, as, bs, αν, αω)ddkp ∝ M∏ m=1 Nm∏ i=1 p(xmip|d·p, zmi, smi, γϵ) · p(dkp) ∝ M∏ m=1 Nm∏ i=1 exp { − γϵ(xmip − ∑ k dkpzmiksmik)2 2 } · exp { − γd(dkp − mk)2 2 } ∝ exp { − γϵ 2 ∑ m ∑ i ( xmip − ∑ k′̸=k dk′pzmik′ smik′ − dkpzmiksmik )2 − γd 2 d2 kp + γdmkdkp } ∝ exp [ − γϵ 2 ∑ m ∑ i { d2 kpz2 miks2 mik − 2dkpzmiksmik ( xmip − ∑ k′̸=k dk′pzmik′ smik′ )} − γd 2 d2 kp + γdmkdkp ] ∝ exp [ − γd + γϵ ∑ m ∑ i z2 miks2 mik 2 d2 kp + { γdmk + γϵ ∑ m ∑ i zmiksmik ( xmip − ∑ k′̸=k dk′pzmik′ smik′ )} dkp ] ∝ exp [ − γd + γϵ ∑ m ∑ i z2 miks2 mik 2 { dkp − γdmk + γϵ ∑ m ∑ i zmiksmik(xmip − ∑ k′̸=k dk′pzmik′ smik′ ) γd + γϵ ∑ m ∑ i z2 miks2 mik }2] (17) これは正規分布。 smik の事後分布を求める。 p(smik| · · · ) ∝ P∏ p=1 p(xmip|d·p, zmi, smi, γϵ) · p(smik|γs) ∝ P∏ p=1 exp { − γϵ(xmip − ∑ k dkpzmiksmik)2 2 } · δ(smik ≥ 0) · exp ( − γss2 mik 2 ) = δ(smik ≥ 0) · exp { − γϵ ∑ p(xmip − ∑ k dkpzmiksmik)2 2 − γss2 mik 2 } = δ(smik ≥ 0) · exp { − γϵ ∑ p(xmip − ∑ k′̸=k dk′pzmik′ smik′ − dkpzmiksmik)2 2 − γss2 mik 2 } ∝ δ(smik ≥ 0) · exp { − γs + γϵz2 mik ∑ p d2 kp 2 s2 mik + γϵzmiksmik ∑ p ( xmip − ∑ k′̸=k dk′pzmik′ smik′ ) dkp } ∝ δ(smik ≥ 0) · exp [ − γs + γϵz2 mik ∑ p d2 kp 2 { smik − γϵzmik ∑ p(xmip − ∑ k′̸=k dk′pzmik′ smik′ )dkp γs + γϵz2 mik ∑ p d2 kp }2] (18) 2
3.
これは、truncated normal distribution
なので、2D slice sampling が使える。 mk の事後分布を求める。 p(mk|γm) ∝ P∏ p=1 p(dkp|mk) · p(mk|γm) ∝ P∏ p=1 exp { − γd(dkp − mk)2 2 } · exp ( − γmm2 k 2 ) ∝ exp { − γd(Pm2 k − 2mk ∑ p dkp) 2 − γmm2 k 2 } = exp { − (Pγd + γm)m2 k + 2γd( ∑ p dkp)mk 2 } ∝ exp { − Pγd + γm 2 ( mk − γd ∑ p dkp Pγd + γm )2} (19) zmik の事後分布を求める。 p(zmik| · · · ) ∝ P∏ p=1 p(xmip|d·p, zmi, smi, γϵ) · p(zmik|πhmik, hmi) ∝ P∏ p=1 exp { − γϵ(xmip − ∑ k dkpzmiksmik)2 2 } · πzmik hmik(1 − πhmik)1−zmik (20) これは、二項分布。zmik = 1 および zmik = 0 となる事後確率は、それぞれ、以下のようになる。 p(zmik = 1| · · · ) ∝ πhmik · exp { − γϵ ∑ p(xmip − ∑ k′̸=k dk′pzmik′ smik′ − dkpsmik)2 2 } (21) p(zmik = 0| · · · ) ∝ (1 − πhmik) · exp { − γϵ ∑ p(xmip − ∑ k′̸=k dk′pzmik′ smik′ )2 2 } (22) πjk の事後分布を求める。 p(πjk| · · · ) ∝ M∏ m=1 Nm∏ i=1 p(zmik|πhmik)δ(hmi=j) p(πjk|c1, ηk) ∝ M∏ m=1 Nm∏ i=1 { πzmik hmik(1 − πhmik)1−zmik }δ(hmi=j) · πc1ηk−1 jk (1 − πjk)c1(1−ηk)−1 = π c1ηk−1+ ∑ m ∑ i δ(hmi=j)zmik jk (1 − πjk)c1(1−ηk)−1+ ∑ m ∑ i δ(hmi=j)(1−zmik) (23) これはベータ分布。 ηk の事後分布を求める。 p(ηk| · · · ) ∝ J∏ j=1 p(πjk|c1, ηk) · p(ηk|c0, η0) ∝ J∏ j=1 πc1ηk−1 jk (1 − πjk)c1(1−ηk)−1 · ηc0η0−1 k (1 − ηk)c0(1−η0)−1 (24) 論文には、slice sampling を使った、とあるので、どんな slice sampling か調べてみる。 g(ηk) ≡ J∏ j=1 πc1ηk−1 jk (1 − πjk)c1(1−ηk)−1 · ηc0η0−1 k (1 − ηk)c0(1−η0)−1 (25) とおく。g(ηk) は非負の関数である。具体的に論文にある設定 c1 = 1, c0 = 10, η0 = 0.5 を使うと、 g(ηk) = J∏ j=1 πηk−1 jk (1 − πjk)−ηk · η4 k(1 − ηk)4 (26) となり、g(0) = 0 かつ g(1) = 0 であることが分かる。微分すると g(ηk)′ = { ηk(1 − ηk) ∑ j log πjk 1 − πjk + 4(1 − 2ηk) } · ∏ j πηk−1 jk (1 − πjk)−ηk · η3 k(1 − ηk)3 (27) 3
4.
となり、g(0)′ = 0 かつ
g(1)′ = 0 であることが分かる。 ∑ j log πjk 1−πjk は定数なので C とおくと、g(ηk)′ = 0 となるのは Cηk(1 − ηk) + 4(1 − 2ηk) = 0 のとき、つまり ηk = C−8± √ (C−8)2+16C 2C のときで、正の解はちょ うどひとつ。よって、g(ηk) は単峰性であり、slice sampling が使いやすい。ただし、逆関数は解析的に求ま らないので、横軸に並行な直線と g(ηk) のグラフとの 2 つの交点は、数値計算的に求める必要がある。 残りの事後分布は、比較的、自明。 hmi の事後分布を求める。 p(hmi| · · · ) ∝ K∏ k=1 p(zmik|πhmik, hmi) · p(hmi|νrm ) ∝ K∏ k=1 πzmik hmik(1 − πhmik)1−zmik · νrmhmi (28) これは、多項分布。hmi = 1, . . . , J それぞれの場合の確率を求めればよい。 νtj の事後分布を求める。 p(νtj| · · · ) ∝ M∏ m=1 Nm∏ i=1 ν δ(hmi=j)δ(rm=t) rmhmi · ν αν /J−1 tj = ν ∑M m=1 ∑Nm i=1 δ(hmi=j)δ(rm=t)+αν /J−1 tj (29) これはディリクレ分布である。なお、論文中の Section 3 では αν J を αν L とする typo がある。 rm の事後分布を求める。 p(rm| · · · ) ∝ Nm∏ i=1 ∏ j ν δ(hmi=j) rmj · µrm · ∏ l ω Nmyml |ym| rml = ∏ j ν ∑Nm i=1 δ(hmi=j) rmj · µrm · ∏ l ω Nmyml |ym| rml (30) これは、多項分布。rm = 1, . . . , T それぞれの場合の確率を求めればよい。 µt の事後分布を求める。 p(µt| · · · ) ∝ ∏ m µ δ(rm=t) t · ∏ t µ αµ/T −1 t = µ ∑ m δ(rm=t)+αµ/T −1 t (31) これは、ディリクレ分布。 ωtl の事後分布を求める。 p(ωtl| · · · ) ∝ ω δ(rm=t)Nmyml |ym| rml · ω αω/L−1 tl = ω ∑ m δ(rm=t)Nmyml |ym| + αω L −1 tl (32) これは、ディリクレ分布。 残りは、正規分布の precision パラメータ。まず γϵ については、 p(γϵ| · · · ) ∝ M∏ m=1 Nm∏ i=1 P∏ p=1 √ γϵ 2π exp { − γϵ(xmip − ∑ k dkpzmiksmik)2 2 } · baϵ ϵ Γ(aϵ) γaϵ−1 ϵ e−bϵγϵ ∝ γ 2aϵ+MNmP 2 −1 ϵ exp { − 2bϵ + ∑M m=1 ∑Nm i=1 ∑P p=1(xmip − ∑ k dkpzmiksmik)2 2 γϵ } (33) と、ガンマ分布を事後分布として得る。次に γs だが、各 smik は非負となるようにサンプリングされている から、 p(γs| · · · ) ∝ M∏ m=1 Nm∏ i=1 K∏ k=1 2δ(smik ≥ 0) √ γs 2π exp ( − γss2 mik 2 ) · bas s Γ(as) γas−1 s e−bsγs ∝ γ 2as+MNmK 2 −1 s exp ( − 2bs + ∑M m=1 ∑Nm i=1 ∑K k=1 s2 mik 2 γs ) (34) と、やはりガンマ分布を事後分布として得る。 4
Baixar agora