两个多元高斯分布之间的wasserstein 距离

2019-04-16 本文已影响0人世界上的一道风

Wasserstein distance

定义

Wasserstein distance 是在度量空间 $M$ ，定义概率分布之间距离的距离函数。
定义：让 $(M,d)$ 作为一个度量空间，每一个在 $M$ 上的概率测度是一个 $Radon$ 测度，（具体这是什么我也不清楚）。对于 $p \ge 1$ 的情况， $P_p(M)$ 表示对于在 $M$ 度量空间上的 $x_0$ ，在 $M$ 上有有限个 $p^{th}$ 距（moment）的概率测度集合 $\mu$ ，等于：
$\int _{{M}}d(x,x_{{0}})^{{p}}\,{\mathrm {d}}\mu (x)<+\infty \tag{1}$

那么，对于两个分布 $\mu$ 和 $\nu$ 在 $P_p(M)$ 中的 $p^{th}$ （p阶） Wasserstein距离为：
$W_{{p}}(\mu ,\nu ):=\left(\inf _{{\gamma \in \Gamma (\mu ,\nu )}}\int _{{M\times M}}d(x,y)^{{p}}\,{\mathrm {d}}\gamma (x,y)\right)^{{1/p}}\tag{2}$

集合 $\Gamma (\mu ,\nu )$ 表示在 $M \times M$ 空间上所有测度的集合，并且这些测度的边缘分布分别是 $\mu$ 和 $\nu$ 。（又称为 $\mu$ 和 $\nu$ 的耦合（coupling））。

变换上式得到：
$W_{{p}}(\mu ,\nu )^{{p}}=\inf {\mathbf {E}}{\big [}d(X,Y)^{{p}}{\big ]}\tag{3}$

注：什么是距（moments）：在数学中，力矩是对函数形状的一种特定的定量度量。定义：关于值 $c$ 的实值连续函数 $f(x)$ 的第 $n$ 阶矩为：
$\mu _{n}=\int _{-\infty }^{\infty }(x-c)^{n}\,f(x)\,\mathrm {d} x.$

如果 $f$ 是一个概率密度函数，则上述积分的值称为概率分布的 $n$ 阶矩；如果 $F$ 是任何概率分布的累积概率分布函数，其中可能没有密度函数，随机变量为 $X$ ，则概率分布的第n个矩为：
$\mu '_{n}=\operatorname {E} \left[X^{n}\right]=\int _{-\infty }^{\infty }x^{n}\,\mathrm {d} F(x)\,$
由此我们得到公式 $(2)$ 到 $(3)$ 的表示。

什么是测度：测度（Measure）是一个函数，它对一个给定集合的某些子集指定一个数，这个数可以比作大小、体积、概率等等。传统的积分是在区间上进行的，后来人们希望把积分推广到任意的集合上，就发展出测度的概念，它在数学分析和概率论有重要的地位。

Intuition and connection to optimal transport

在Wiki百科中有

Wasserstein distance between two gaussian

两个多元高斯分布之间的2阶Wasserstein距离是什么，公式 $(3)$ 中的距离函数 $d$ 如果是欧几里得距离的话，那么两个分布之间的2阶Wasserstein距离是：

$W_2(\mu;\nu):=\inf\mathbb{E}(\Vert X-Y\Vert_2^2)^{1/2}$
两个多元高斯分布之间的2阶Wasserstein距离 ${d:=W_2(\mathcal{N}(m_1,\Sigma_1);\mathcal{N}(m_2,\Sigma_2))}$ 是：

$d^2=\Vert m_1-m_2\Vert_2^2 +\mathrm{Tr}(\Sigma_1+\Sigma_2-2(\Sigma_1^{1/2}\Sigma_2\Sigma_1^{1/2})^{1/2}). \ \ \ \ \ (1)$

当协方差矩阵可以互换 ${\Sigma_1\Sigma_2=\Sigma_2\Sigma_1}$ ,公式 $(1)$ 退化为：
$W_2(\mathcal{N}(m_1,\Sigma_1);\mathcal{N}(m_2,\Sigma_2))^2 =\Vert m_1-m_2\Vert_2^2 +\Vert\Sigma_1^{1/2}-\Sigma_2^{1/2}\Vert_{Frobenius}^2.\ \ \ \ \ (2)$

注：
$\mathrm{Tr}(\Sigma_1+\Sigma_2-2(\Sigma_1^{1/2}\Sigma_2\Sigma_1^{1/2})^{1/2}) = \mathrm{Tr}(\Sigma_1) + \mathrm{Tr}(\Sigma_2) + 2(\mathrm{Tr}(\Sigma_1^{1/2}\Sigma_2\Sigma_1^{1/2})^{1/2})$
当 $A$ 与 $B$ 都是对称矩阵： $\mathrm{Tr}(A^{1/2}BA^{1/2})=\mathrm{Tr}(AB)$ ，有：
$= \mathrm{Tr}(\Sigma_1) + \mathrm{Tr}(\Sigma_2) + 2(\mathrm{Tr}(\Sigma_1\Sigma_2)^{1/2}) = \mathrm{Tr}((\Sigma_1^{1/2}-\Sigma_2^{1/2})^2)=\Vert\Sigma_1^{1/2}-\Sigma_2^{1/2}\Vert_{Frobenius}^2$

代码：

def Wasserstein(mu, sigma, idx1, idx2):
    p1 = torch.sum(torch.pow((mu[idx1] - mu[idx2]),2),1)
    p2 = torch.sum(torch.pow(torch.pow(sigma[idx1],1/2) - torch.pow(sigma[idx2], 1/2),2) , 1)
    return p1+p2

矩阵 $Frobenius$ 范数表示为 $\langle \mathbf{A},\mathbf{B} \rangle_{\mathrm {F}}$ ，：

$\langle \mathbf {A} ,\mathbf {B} \rangle _{\mathrm {F} }=\sum _{i,j}{\overline {A_{ij}}}B_{ij}\,,=\mathrm {tr} \left({\overline {\mathbf {A} ^{T}}}\mathbf {B} \right)$

上划线表示矩阵 $A$ 的中每一个数共轭复数。

协方差矩阵：
- 多元高斯部分的情况：是正定矩阵。
- 多元高斯部分的情况：考虑一个一般的对称协方差矩阵 $Σ$ ，其有 $D(D + 1)/2$ 个独立的参数。对于 $µ$ ，又有 $D$ 个独立的参数。多以一共有 $D(D + 3)/2$ 个参数。当 $D$ 变大时，其独立的参数个数以 $D$ 的二次方增长。只考虑 $Σ$ 是对角阵，即 $Σ = diag(σ_i^2)$ ,我们就只用关心2D个独立的参数。

参考：

https://zlearning.netlify.com/computer/prml/PRMLch2dot3-gaussian-again.pdf
http://www.robots.ox.ac.uk/~davidc/pubs/tt2015_dac1.pdf
https://en.wikipedia.org/wiki/Wasserstein_metric#cite_note-1
http://djalil.chafai.net/blog/2010/04/30/wasserstein-distance-between-two-gaussians/
https://en.wikipedia.org/wiki/Wasserstein_metric#cite_note-1

两个多元高斯分布之间的wasserstein 距离

Wasserstein distance

定义

Intuition and connection to optimal transport

在Wiki百科中有

Wasserstein distance between two gaussian

代码：

猜你喜欢

热点阅读