Submit Search
Upload
高速なガンマ分布の最尤推定法について
•
6 likes
•
7,018 views
hoxo_m
Follow
第60回R勉強会@東京(#TokyoR)の発表資料です。 https://atnd.org/events/87238
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 30
Recommended
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Greed is Good: 劣モジュラ関数最大化とその発展
Greed is Good: 劣モジュラ関数最大化とその発展
Yuichi Yoshida
LightGBMを少し改造してみた ~カテゴリ変数の動的エンコード~
LightGBMを少し改造してみた ~カテゴリ変数の動的エンコード~
RyuichiKanoh
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)
Nagi Teramo
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
コンピュータビジョン分野メジャー国際会議 Award までの道のり
コンピュータビジョン分野メジャー国際会議 Award までの道のり
cvpaper. challenge
Recommended
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
Greed is Good: 劣モジュラ関数最大化とその発展
Greed is Good: 劣モジュラ関数最大化とその発展
Yuichi Yoshida
LightGBMを少し改造してみた ~カテゴリ変数の動的エンコード~
LightGBMを少し改造してみた ~カテゴリ変数の動的エンコード~
RyuichiKanoh
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
マルコフ連鎖モンテカルロ法 (2/3はベイズ推定の話)
Yoshitake Takebayashi
続わかりやすいパターン認識11章(11.1 - 11.4)
続わかりやすいパターン認識11章(11.1 - 11.4)
Nagi Teramo
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
コンピュータビジョン分野メジャー国際会議 Award までの道のり
コンピュータビジョン分野メジャー国際会議 Award までの道のり
cvpaper. challenge
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
Okamoto Laboratory, The University of Electro-Communications
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
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
順序データでもベイズモデリング
順序データでもベイズモデリング
. .
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
基礎からのベイズ統計学第5章
基礎からのベイズ統計学第5章
hiro5585
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
PRML輪読#11
PRML輪読#11
matsuolab
[DL輪読会]The Neural Process Family−Neural Processes関連の実装を読んで動かしてみる−
[DL輪読会]The Neural Process Family−Neural Processes関連の実装を読んで動かしてみる−
Deep Learning JP
最適輸送入門
最適輸送入門
joisino
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
データに内在する構造をみるための埋め込み手法
データに内在する構造をみるための埋め込み手法
Tatsuya Shirakawa
PRML輪読#2
PRML輪読#2
matsuolab
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
hoxo_m
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
More Related Content
What's hot
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
Deep Learning JP
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
Shuyo Nakatani
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Hiroshi Shimizu
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
Okamoto Laboratory, The University of Electro-Communications
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
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
順序データでもベイズモデリング
順序データでもベイズモデリング
. .
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
基礎からのベイズ統計学第5章
基礎からのベイズ統計学第5章
hiro5585
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
PRML輪読#11
PRML輪読#11
matsuolab
[DL輪読会]The Neural Process Family−Neural Processes関連の実装を読んで動かしてみる−
[DL輪読会]The Neural Process Family−Neural Processes関連の実装を読んで動かしてみる−
Deep Learning JP
最適輸送入門
最適輸送入門
joisino
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
Takao Yamanaka
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
gree_tech
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
Daisuke Yoneoka
データに内在する構造をみるための埋め込み手法
データに内在する構造をみるための埋め込み手法
Tatsuya Shirakawa
PRML輪読#2
PRML輪読#2
matsuolab
What's hot
(20)
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
【DL輪読会】High-Resolution Image Synthesis with Latent Diffusion Models
ノンパラベイズ入門の入門
ノンパラベイズ入門の入門
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
StanとRでベイズ統計モデリング読書会 導入編(1章~3章)
Rによるベイジアンネットワーク入門
Rによるベイジアンネットワーク入門
2 3.GLMの基礎
2 3.GLMの基礎
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
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
順序データでもベイズモデリング
順序データでもベイズモデリング
Stanコードの書き方 中級編
Stanコードの書き方 中級編
基礎からのベイズ統計学第5章
基礎からのベイズ統計学第5章
ベイズファクターとモデル選択
ベイズファクターとモデル選択
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
PRML輪読#11
PRML輪読#11
[DL輪読会]The Neural Process Family−Neural Processes関連の実装を読んで動かしてみる−
[DL輪読会]The Neural Process Family−Neural Processes関連の実装を読んで動かしてみる−
最適輸送入門
最適輸送入門
変分推論法(変分ベイズ法)(PRML第10章)
変分推論法(変分ベイズ法)(PRML第10章)
機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
第五回統計学勉強会@東大駒場
第五回統計学勉強会@東大駒場
データに内在する構造をみるための埋め込み手法
データに内在する構造をみるための埋め込み手法
PRML輪読#2
PRML輪読#2
More from hoxo_m
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
hoxo_m
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
hoxo_m
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
学習係数
学習係数
hoxo_m
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
AJAXサイトの情報をWebスクレイピング
AJAXサイトの情報をWebスクレイピング
hoxo_m
経験過程
経験過程
hoxo_m
確率論基礎
確率論基礎
hoxo_m
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
hoxo_m
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
hoxo_m
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
hoxo_m
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
hoxo_m
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
データの不備を統計的に見抜く (Gelman’s secret weapon)
データの不備を統計的に見抜く (Gelman’s secret weapon)
hoxo_m
カップルが一緒にお風呂に入る割合をベイズ推定してみた
カップルが一緒にお風呂に入る割合をベイズ推定してみた
hoxo_m
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみた
hoxo_m
チェビシェフの不等式
チェビシェフの不等式
hoxo_m
swirl パッケージでインタラクティブ学習
swirl パッケージでインタラクティブ学習
hoxo_m
More from hoxo_m
(20)
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
学習係数
学習係数
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
AJAXサイトの情報をWebスクレイピング
AJAXサイトの情報をWebスクレイピング
経験過程
経験過程
確率論基礎
確率論基礎
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
協調フィルタリング入門
協調フィルタリング入門
データの不備を統計的に見抜く (Gelman’s secret weapon)
データの不備を統計的に見抜く (Gelman’s secret weapon)
カップルが一緒にお風呂に入る割合をベイズ推定してみた
カップルが一緒にお風呂に入る割合をベイズ推定してみた
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみた
チェビシェフの不等式
チェビシェフの不等式
swirl パッケージでインタラクティブ学習
swirl パッケージでインタラクティブ学習
高速なガンマ分布の最尤推定法について
1.
【論文紹介】 ガンマ分布の最尤推定 2017/04/22 @hoxo_m 1
2.
About Me HOXO-M Inc. President
& CEO 2
3.
本日紹介する論文 • “Estimating a
Gamma distribution” ガンマ分布の推定 • Thomas P. Minka – Microsoft Researcher • Work – Expectation Propagation – TrueSkill™️ 3
4.
論文概要 • 【内容】 ガンマ分布のパラメータの最尤推定方法 について、既存手法より高速なアルゴリ ズムを提案する • 【結論】 提案手法は既存手法より
20倍以上速い 4
5.
目次 1. ガンマ分布について 2. ガンマ分布の最尤推定 3.
まとめ 5
6.
ガンマ分布 6
7.
ガンマ分布 • 形状パラメータ a
(a > 0) • 尺度パラメータ b (b > 0) • 期待値 ab • 分散 ab2 7
8.
ガンマ分布 8 a を変更 b を変更
9.
問題 • データが与えられたとき、尤度が最大と なるようなパラメータ a,
b を求めよ 9
10.
目次 1. ガンマ分布について 2. ガンマ分布の最尤推定 3.
まとめ 10
11.
ガンマ分布の最尤推定 • 確率密度関数 • 対数尤度関数 11
12.
ガンマ分布の最尤推定 • パラメータ b
の最尤推定値 12
13.
ガンマ分布の最尤推定 • 対数尤度関数 (b
の最尤推定値を代入) • これを最大化する a を求める • b = mean(x) / a 13
14.
ガンマ分布の最尤推定 <アルゴリズム> 1. a と
b の初期値を決める 2. 対数尤度関数の変化が十分小さくなるま で以下を繰り返す • a ← argmax_a log(D | a, b) • b ← mean(x) / a 14
15.
ガンマ分布の最尤推定 • 対数尤度関数が最大となる a
を求める問 題に帰着される a ← argmax_a log(D | a, b) • 既存手法と提案手法の違い ① 既存手法: 一次近似で下限を作成 → 最大化 ② 提案手法: 独自の局所近似式を最大化 15
16.
補足: ニュートン法がダメな理由 Minka (2000)
Beyond Newton’s method 対数尤度
17.
補足: ニュートン法がダメな理由 17 a 対数尤度
18.
① 既存手法 • f(a)
= a log a は下に凸な関数 ⇨ 一次近似(接線)が下限になる 18
19.
① 既存手法 • 微分して
0 と置くと 19
20.
① 既存手法 • Ψ:
ディガンマ関数 (ガンマ関数の対数微分) • a の推定値は、ディガンマ関数の逆関数に より計算できる • a0 を現在の値として a を更新していく 20
21.
① 既存手法まとめ • パラメータを次で更新していき、対数尤 度関数の変化が十分小さくなったら終了 21
22.
• 対数尤度関数 • 局所近似 •
ただし ② 提案手法 22
23.
② 提案手法 • 近似が良いため改善が速い Minka
(2000) Beyond Newton’s method
24.
② 提案手法 • 上に凸より
p”(a) ≦ 0 したがって c2 ≧ 0 • もし c1 < 0 ならば g が最大となる a は 24
25.
② 提案手法 • したがって、更新式は 25
26.
② 提案手法まとめ • パラメータを次で更新していき、対数尤 度関数の変化が十分小さくなったら終了 26
27.
実装 27
28.
結果 28
29.
速度比較 • 提案手法は 20倍以上速い! 29
30.
論文 まとめ • ガンマ分布のパラメータを最尤推定する 高速なアルゴリズムを提案した •
提案手法は既存手法より 20倍以上速い 30