马尔科夫链表示state的链式关系，下一个state只跟上一个state有关。
吉布斯采样通过采样条件概率分布得到的样本点，近似估计概率分布P(z)P(z)。PageRank通过节点间的连接，估计节点的重要程度rr。吉布斯采样中，state代表不同的样本点，state的分布就是P(z)P(z)。PageRank中，state代表不同节点的分数，state的分布就是要求的rr。不论吉布斯采样还是PageRank，state的分布本质上都是马尔科夫链，而最后都希望state的分布是独一并且稳定的。

Markov Chain
- 介绍
- 稳定态
Gibbs Sampling
- 介绍
- Gibbs Sampling与Markov
Page Rank
- 介绍
- 稳定性
- 稀疏计算

Markov Chain

介绍

上图表示了一个典型的马尔科夫链，每个城市A、B、C代表不同的state。该图描述了不同state间的转移变化关系。并且下一个时间的state只和上一个时间的state有关。

稳定态

想象上述的马尔科夫链，state不停的变化，我们可以求出不同state的概率，也就是state的概率分布。

最简单的办法是列出不同state的概率公式，然后解线性方程组求解，如下：

可是，单一稳定的state不一定存在，例如下面两种情况：

Spider trap，a⇔ba \Leftrightarrow b，相当于状态被困在某区域（多个状态）。
- Dead End，a⇒ba \Rightarrow b，相当于状态被困在单个状态中。
- 那么，什么情况下才有单一稳定的state的存在呢？
  
  单一稳定的state分布的存在的充分条件是：对于任意两个states1,s2s_1,s_2，它们之间的状态转移概率不为0。也就是p(s1|s2)>0p(s_1|s_2)>0。也就是说，state间（包含自身）都有连接，这样的话便存在单一稳定的state分布。
  
  Gibbs Sampling
  
  介绍
  
  Gibbs Sampling遇到的问题是：在已知P(zi|z1,...,zi−1,zi+1,...zN)P(z_i|z_1,...,z_{i-1},z_{i+1},...z_{N})分布的情况下，求变量P(z)(z=z1,...,zN)P(z) (z = {z_1,...,z_N})的分布。
  
  Gibbs Sampling的解决办法是：设置外循环tt，遍历采样点数；设置内循环kk，遍历特征数，对于每一个特征值ztkz_k^t，根据分布ztk∼P(zk=ztk|z1=zt1,z2=zt2,...)z_k^t \sim P(z_k = z_k^t | z_1 =z_1^t, z_2 =z_2^t,...)采样ztkz_k^t。最后，根据z1,z2,z3,...{z^1,z^2,z^3,...}得到P(z)(z=z1,...,zN)P(z) (z = {z_1,...,z_N})的分布。
  
  Gibbs Sampling与Markov
  
  吉布斯采样的数据z1,z2,z3,...{z^1,z^2,z^3,...}相当于马尔科夫链中不同的state（因为ztz^t只和zt−1z^{t-1}有关）。如果马尔科夫链存在单一且稳定的状态分布，那么就可以通过采样求出P(z)(z=z1,...,zN)P(z) (z = {z_1,...,z_N})。
  
  下面，分两个步骤证明：
  1. Gibbs Sampling存在单一且稳定的状态分布。
  2. Gibbs Sampling单一且稳定的状态分布就是P(z)P(z)。
  Gibbs Sampling中条件概率没有0值确保了Gibbs Sampling存在单一且稳定的状态分布。
  
  根据概率公式，可推导Gibbs Sampling单一且稳定的状态分布就是P(z)P(z)。
  
  Page Rank
  
  介绍
  
  Page Rank的哲学是：一个点的重要性跟这个点的in-link有关，不同的in-link权重不一样，score越大的节点对应的in-link也就越重要。
  令节点的score向量为rr，节点的邻接矩阵为MM。那么，rr和MM的关系可写作：
  
  r=Mr
  
  r = Mr
  
  示例如下：
  
  这个例子中，可以把矩阵MM和向量rr相乘当做MM的列以向量rr为权重进行线性组合，矩阵MM同一列的不同行代表该节点向其他节点的分发连接。这样理解起来就比较清晰了。
  
  rr的求解可以使用特征值-特征向量分解，最大特征值对应的特征向量即是rr。
  
  稳定性
  
  rr的值在满足特定情况下才是单一且稳定的。
  
  实际计算Page Rank中，需要增加一个条件：每个节点都有1N\frac{1}{N}的概率变换到任何其他节点状态。
  
  原来的式子是：
  
  r=Mr
  
  r = Mr
  
  考虑稳定性后的式子是：
  
  Ar=βM+(1−β)1N11T=Ar
  
  \begin{split} A &= \beta M + (1-\beta) \frac{1}{N} \mathbf{1} \mathbf{1}^T \\ r &= Ar \end{split}
  
  示例如下：
  
  稀疏计算
  
  在上面的计算公式中，矩阵AA是稠密的，空间复杂度是O(N2)O(N^2)，占得空间很大。
  
  因此，改进计算如下：
  
  Arr=βM+(1−β)1N11T=Ar=βMr+1−βN
  
  \begin{split} A &= \beta M + (1-\beta) \frac{1}{N} \mathbf{1} \mathbf{1}^T \\ r &= Ar \\ r &= \beta M r + \frac{1-\beta}{N} \end{split}

从马尔科夫链到吉布斯采样与PageRank相关推荐

蒙特卡罗马尔科夫链与Gibbs采样
这几个概念看了挺多遍都还是含混不清,最近看了几篇博客,才算大致理解了一点点皮毛,所以来总结一下. MCMC概述从名字我们可以看出,MCMC由两个MC组成,即蒙特卡罗方法(Monte Carlo Si ...
从马尔科夫过程到吉布斯采样（附程序示例）
目标:如何采取满足某个概率分布的一组数据,比如如何给出满足标准正太分布的1000个点,当然该分布比较简单,生成满足此分布的1000个点并不难,对matlab,python 等都是一行语句的事,但是如果 ...
马尔科夫过程与吉布斯采样
随机模拟(或者统计模拟)方法有一个很酷的别名是蒙特卡罗方法(Monte Carlo Simulation).这个方法的发展始于20世纪40年代,和原子弹制造的曼哈顿计划密切相关,当时的几个大牛,包括乌 ...
第十五课.马尔科夫链蒙特卡洛方法
目录 M-H采样 Metropolis-Hastings采样原理 M-H采样步骤 Gibbs方法 Gibbs核心流程 Gibbs采样的合理性证明 Gibbs采样实验在第十四课中讲述了马尔科夫链与其 ...
马尔科夫链和马尔科夫链蒙特卡洛方法
前言译自:<Training Restricted Boltzmann Machines: An Introduction > 马尔科夫链在RBM的训练中占据重要地位,因为它提供了从复杂 ...
蒙特卡洛法（三）马尔科夫链蒙特卡洛法
马尔科夫链蒙特卡洛法适合于随机变量是多元的.密度函数是非标准形式的随机变量各分量不独立的情况.如何构建具体的马尔科夫链是这个方法的关键,离散变量的时候,需要定义转移矩阵,构建可逆马尔科夫链,保证遍历定 ...
结对编程-马尔科夫链作业成绩
结对编程-马尔科夫链作业成绩作业博客:http://www.cnblogs.com/vertextao/p/6881960.html 问题本次作业仅有三位同学按时提交,两位同学延迟提交,出人意料, ...
第十四课.马尔科夫链
目录马尔科夫链马尔科夫链的平稳分布马尔科夫链进入稳态的转移过程马尔科夫链稳态的意义稳态判定:细致平稳条件马尔科夫链随机过程指的是一个随机变量序列:{Xt}\left\{X_{t}\rig ...
MCMC+马尔科夫链蒙特卡罗
MCMC+马尔科夫链蒙特卡罗为了解决什么问题,所以出现了这一种方法? 后来又因为出现了什么新情况,所以产生了对应的变种?

从马尔科夫链到吉布斯采样与PageRank

Markov Chain

介绍

稳定态

Gibbs Sampling

介绍

Gibbs Sampling与Markov

Page Rank

介绍

稳定性

稀疏计算

从马尔科夫链到吉布斯采样与PageRank相关推荐

最新文章

热门文章