此篇博文主要介绍什么是变分推理(Variational Inference , VI)，以及它的数学推导公式。变分推理，是机器学习中一种流行的方式，使用优化的技术估计复杂概率密度。变分推理的工作原理： 首先选择一系列概率密度函数，然后采用KL散度作为优化度量找到最接近于概率密度的函数。引入evidence lower bound的方法更容易计算近似概率。

KL散度

KL散度是两个分布之间的相对熵，量化概率分布$P\left(X\right)$与候选分布$Q\left(X\right)$的相似程度。对于一个离散的随机变量$X$，概率分布$P$和分布$Q$之间的KL散度的计算公式如下定义：

其中$\mathbb{H}\left(P\right)=-{\Sigma }_{x\in X}P\left(x\right)logP\left(x\right)$是分布$P$的熵，$\mathbb{H}\left(P\right)=-{\Sigma }_{x\in X}P\left(x\right)logQ\left(x\right)$是分布$P$和分布$Q$的交叉熵。

KL散度具有如下性质：1. 非负性；2. 非对称性；3. 当KL散度的取值位于$(0,\infty )$，越接近于0，说明分布$P$和分布$Q$越匹配。

此外，概率分布$P$和分布$Q$之间的KL散度还可以表示为两个概率密度函数$p$和$q$之间对数差的期望。假设随机变量$x$为概率分布函数$P$的一个概率值，$\mathbb{E}$为期望，那么KL公式还可如下定义：

前向 vs 反向 KL

KL散度是非对称的，那也就是说$D_{KL}\left(P\Vert Q\right)\ne D_{KL}\left(Q\Vert P\right)$，因此根据分布$P$和分布$Q$的位置，可分为前向KL和后向KL。

前向KL

前向KL的公式定义如下。只要近似值不能够覆盖实际概率分布，KL散度将会变得很大，用公式表示就是${\lim }_{q\left(x\right)\to 0}\frac{p\left(x\right)}{q\left(x\right)}\to \infty ,p\left(x\right)>0$，当$p\left(x\right)>0,q\left(x\right)\to 0$时，$\frac{p\left(x\right)}{q\left(x\right)}$的极限值将为$\infty$。因此，当$p\left(x\right)>0$时，必须选择一个概率密度确保$q\left(x\right)>0$。这种特殊的情况被称为"zero avoiding"，直观理解就是$q$高估$p$。

反向KL

反向KL的公式定义如下，其中${\lim }_{p\left(x\right)\to 0}\frac{q\left(x\right)}{p\left(x\right)}\to \infty ,q\left(x\right)>0$，当$p\left(x\right)=0$时，迫使$q\left(x\right)=0$，不然KL散度值将会很大。这种被称为“zero forcing”，直观理解就是$q$低估$p$。

可视化

下图展示了双峰分布上的正向和反向KL散度。蓝色轮廓表示实际概率密度$p$，红色轮廓表示单峰近似$q$。左一显示正向KL散度最小化，$q$倾向于覆盖$p$。中间和右一显示了反向KL散度最小化，$q$倾向于锁定到两种模式中的其中一个。

问题描述

假设有两个随机变量$X$和$Z$，其中$X$为观测变量，$Z$为潜在变量。$X$和$Z$的关系如上图所示，观测变量$X$依赖于潜在变量$Z$，从$Z$到$X$的箭头表示条件概率密度$p\left(X|Z\right)$。依据贝叶斯公式，可计算后验概率密度$p\left(Z|X\right)$。

$$p\left(Z|X\right)=\frac{p\left(X|Z\right)p\left(Z\right)}{p\left(X\right)}$$

其中，分母$p\left(X\right)$的计算公式为$p\left(X\right)={\int }_{z\in Z}p\left(Z|z\right)p\left(z\right)dz$，$z$为样本空间$Z$中的一个实例。$p\left(Z\right)$为先验，它捕获了$Z$的先验信息。

观察的边缘概率密度（marginal probability density）$p\left(X\right)$被成为evidence，对于很多模型，evidence的积分依赖于所选模型，要么在闭合形式下不可用，要么需要指数时间计算。

变分推理的目的是为潜在变量的统计推断提供后验概率密度$p\left(Z|X\right)$的近似解析，它从可处理的概率密度族中选择潜在变量$Z$的概率密度函数$q$解决近似问题。变分推理能够有效地计算边缘概率密度（或者evidence）的下界，其基本思想是：一个更高的边缘相似性指示所选统计模型更好地拟合观察到的数据。

变分推理

变分推理VI的目的是从可处理的概率密度族$\mathcal{Q}$中选择一个近似的概率密度$q$。潜在变量$Z$的每一个在$\mathcal{Q}$中的概率密度$q\left(Z\right)\in \mathcal{Q}$都是后验的一个近似候选，VI的目的就是从这些候选中选择最优的那一个。依据KL散度的性质，两个分布的KL值越小，两个分布越匹配。假设近似概率密度于观测变量于观测变量条件不相关，那么推理问题就可以看作一个优化问题，公式如下所示。

优化上述公式，就可从所选的概率家族中得到后验的最佳近似值$q^{\ast }\left(\cdot \right)$，优化的复杂性取决于概率密度族的选择。计算上述公式中的KL散度，需要知道后验$P$，但是后验的计算是棘手的。

一个替代的方案是用反向KL散度，这样后验和近似的平均交叉熵可以通过期望计算。因此上述公式可以重新被定义为如下公式。

然而，由于仍然需要知道后验$P$，优化反向KL仍然是不可行的。但是可以最小化一个等于它的函数直到一个常数，这就是evidence lower bound，ELBO。

ELBO: Evidence Lower Bound

设上述公式中的KL散度为$D$，依据下述推导可得到ELBO的公式。
$$\begin{gathered} \begin{array}{cc}D& =D_{KL}\left(Q\left(Z\right)\Vert P\left(Z|X\right)\right)={\mathbb{E}}_{z\in Q\left(Z\right)}log\frac{q\left(z\right)}{p\left(z|x\right)}\\ & =\mathbb{E}[logq\left(z\right)]-\mathbb{E}[logp\left(z|x\right)]\\ & =\mathbb{E}[logq\left(z\right)]-\mathbb{E}[logp\left(z,x\right)]+\mathbb{E}[logp\left(x\right)]\\ & =\mathbb{E}[logq\left(z\right)]-\mathbb{E}[logq\left(z,x\right)]+logp\left(x\right)\end{array} \\ \Downarrow \\ -D+logp\left(x\right)=\mathbb{E}[logp\left(z,x\right)]-\mathbb{E}[logq\left(z\right)]=ELBQ\left(Q\right) \end{gathered}$$

ELBO等于KL散度的负值于常量$log\left(x\right)$的和。从上述公式可以看出，最大化ELBO等价于最小化KL散度。依据贝叶斯概率$p\left(z,x\right)=p\left(z\right)\cdot p\left(z|x\right)=p\left(x\right)\cdot p\left(x|z\right)$，ELBO公式又可做如下推导。

从上述公式可以看出，ELBO是数据的对数似然期望与先验和近似后验概率密度的KL散度之和。对数似然期望描述了所选统计模型与数据的拟合程度。KL散度促使变分概率密度接近于先验，因此，ELBO可看作对数据的正则拟合。

使用Jensen不等式（$f\left(E[x]\right)\ge E[f\left(X\right)]$）可推到出ELBO和$p\left(x\right)的关系，$ELBO值是要低于$logp\left(x\right)$。问题描述中，我们也提到evidence的积分依赖于所选模型，要么在闭合形式下不可用，要么需要指数时间计算。ELBO和$logp\left(x\right)$的这种关系，促使研究人员使用变分下界作为模型选择的标准。

参考

1. An Introduction to Variational Inference
2. Variational Inference