PRML#17 (最終回) 12.4補習: 独立成分分析 2010-09-11 YOSHIHIKO SUHARA id:sleepy_yoshi @sleepy_yoshi
PRML#17 (最終回) 12.4補習: 独立成分分析
2010-09-11
YOSHIHIKO SUHARA
id:sleepy_yoshi
@sleepy_yoshi
おことわり
1
• これからの話は全て↓に書かれています
ポイントだけ
• 独立成分分析とは?
• 必要なのは独立性。
• ガウス分布、ダメ、ゼッタイ。
• 目的関数いろいろ、解き方もいろいろ。
2
3
独立成分分析とは?
PRML的な流れ
• 線形ガウスモデル
– 主成分分析
• 線形非ガウスモデル
– 独立成分分析
• 非線形ICAもあるらしいが…
4
非ガウス分布を用いた潜在変数の線形変換に
よって観測変数が得られるというモデル
問題設定: 未知音源分離
5
M台のマイク 𝒙 (観測変数)
N人の話者 𝒔 (潜在変数)
※簡単のため〃M=Nの例を用いる
未知音源分離の定式化
• 観測変数は潜在変数の線形変換で表現
6
𝒙 = 𝑨𝒔
𝑥1 = 𝑎11𝑠1 + 𝑎12𝑠2 + 𝑎13𝑠3
𝑥2 = 𝑎21𝑠1 + 𝑎22𝑠2 + 𝑎23𝑠3
𝑥3 = 𝑎31𝑠1 + 𝑎32𝑠2 + 𝑎33𝑠3
s1, s2, s3が統計的に独立であれば〃
A, s共に計算することが可能
結論
必要なのは独立性。
7
𝑝 𝑦1, 𝑦2, … , 𝑦𝑛 = 𝑝1 𝑦1 𝑝2 𝑦2 …𝑝𝑛 (𝑦𝑛)
• 独立性
• 無相関性 ≠ 独立性
𝑝 𝒛 = 𝑝(𝑧𝑗)
𝑀
𝑗=1
(12.89)
ガウス分布、ダメ、ゼッタイ。
• 潜在変数sにガウス分布は利用できない
• 理由: ガウス分布は混合してしまうと分離できないから
– 厳密には、ひとつのガウス分布まではOK
8 -2 0 2
-4-2
02
4
ガウス分布、ダメ、ゼッタイ。
• 確率的主成分分析では…
– 潜在変数空間の分布が平均0の等方的ガウス分布
– 潜在変数の空間を変化させても尤度関数の形は変わらない
9
𝑹𝑹𝑻 = 𝑰という𝑹を用いて𝑾 →𝑾𝑹と変換
𝑪 = 𝑾𝑹𝑹𝑻𝑾𝑇 + 𝜎2𝑰
(12.36) 𝑪 = 𝑾𝑾𝑇 + 𝜎2𝑰
𝑰
目的関数いろいろ、解き方もいろいろ。
• 目的関数
– 尤度最大化
– 情報量最大化
– 相互情報量最小化
– …
• 解き方
– 勾配法
– EMアルゴリズム
– …
10
尤度最大化の例
• 線形変換の式を利用して
11
𝑝𝑦 𝒚 =1
det𝑨𝑝𝑥(𝑨−1𝒚)
𝑝𝑥 𝒙 = det𝑩 𝑝𝑠 𝒔 = det𝑩 𝑝𝑠(𝑠𝑖)
𝑖
線形変換の式
ここで 𝑩 = 𝑨−1
𝐿(𝑩) = det𝑩 𝑝𝑖(𝒃𝑖𝑇𝒙(𝑡))
𝑖𝑡
𝒙の𝑇個の観測値 𝒙 1 , 𝒙 2 ,… , 𝒙(𝑇)があるとすると〃尤度は
T個の点で評価でき〃Bの関数とみなせる
𝑩𝒙 = 𝒔
𝒙 = 𝑨𝒔 𝑝𝑥 𝒙 = det𝑩 𝑝𝑖(𝒃𝑖𝑇𝒙)
𝑖
あとは尤度を取って勾配法で最適化
参考文献
12
• ウェブ上にも参考資料は多い
• 一冊挙げるとすればコレ
おわり
13