机器学习与高维信息检索 - Note 1 - 信息检索、机器学习与随机变量_高维信息搜索

1. 简介

1.1 信息检索和机器学习

从高维数据中提取信息的问题与降维问题密不可分，也就是说，从典型的高维观察中提取一些合理的特征的问题。例如，考虑一下人类在图像上识别人脸的能力。该图像被视为一个高维向量，例如 $800\times 600$ 的像素值，肯定不能作为原始像素数据存储在人类的大脑中。相反，我们必须提取一些特征，例如眼睛之间的相对距离，鼻子的长度，以及更抽象的不同脸部区域的相互作用，作为一个整体。储存和回忆这几个抽象特征的能力使我们有可能识别出一张脸，而不受不同的背景、太阳镜或部分遮挡的影响，并能区分不同的脸。在广泛的数据分析领域有更多的例子，通过提取特征可以从高维数据中挤出信息，从基因数据分类到音频信号处理，从数据可视化到脑电图（EEG）数据分析。

从形式上看，降维的问题是这样的。给定一个$p$维的实值随机变量$X={\left[X_1\dots X_p\right]}^{\top }$，找到一个图或算法

$$f:{\mathbb{R}}^p\to {\mathbb{R}}^k\text{ with }k\ll p,$$

使得$S=f(X)$包含 “尽可能多的来自$X$的信息”。根据上述例子的精神，${\mathbb{R}}^p$将被称为原始数据空间，${\mathbb{R}}^k$被称为还原数据空间或特征空间。

例如，信息的保存可以用方差来衡量，因此$S$的方差应该反映$X$的方差。这也可以解释为消除数据中的冗余。考虑下面的例子：温度被测量，一次是摄氏度（这将是随机变量的第一个条目$X_1$），一次是华氏度$\left(X_2\right)$。显然，这些信息可以简化为一个变量，例如$S_1=X_1$，甚至不损失任何信息。

矩阵$\mathbf{X}\subset {\mathbb{R}}^{p\times n}$中的$(i,j)$条目$x_{ij}$表示随机变量$X_i$在观测$j$的实现，称为观测矩阵。其列是$p$维随机变量$X$的实现。

期望值用$\mathbb{E}(X)=\mu \in {\mathbb{R}}^p$来表示。由于我们处理的是一个多变量随机变量，方差现在由协方差矩阵（也称为方差-协方差矩阵）表示，其定义为

$$\Sigma =\mathrm{Var}(X)=\mathbb{E}\left((X-\mu )(X-\mu {)}^{\top }\right)\in {\mathbb{R}}^{p\times p}.\text{\hspace{1em}(1.1)}$$

其$(i,j)$项是$i^{\text{th }}$和$j^{\text{th }}$随机变量之间的协方差。协方差矩阵是对称的，即$\Sigma ={\Sigma }^{\top }$，并且是正半无限的${}^1$，即$\Sigma \ge 0\iff$ $x^{\top }\Sigma x\ge 0\forall x$。

${}^1$ in contrast to positive definite, i.e. $x^{\top }\Sigma x>0\forall x\ne 0$ and $x^{\top }\Sigma x=0\iff x=0$

例1.1. 考虑两个常数随机变量$X_1\equiv \text{const}$ ，$X_2\equiv \text{const}$。这意味着我们有一个协方差矩阵$\Sigma =0$的二维随机变量。这个例子表明，$\Sigma$不一定是正定的。

由于随机变量的实际分布通常是未知的，期望值通常是在$n$观测值的基础上估计的。

$$\frac{1}{n}\sum _{j=1}^n\left[\begin{array}{c}{x}_{1j}\\ ⋮\\ x_{pj}\end{array}\right]=\frac{1}{n}\mathbf{X}{1}_n:=\hat{\mu }\text{\hspace{1em}(1.2)}$$
利用这个估计的期望值和克罗内克积（Kronecker product）${}^2$$\otimes$，
可以计算出居中的观测矩阵$\mathbf{X}$，如下所示。

$$\overline{\mathbf{X}}=\mathbf{X}-\hat{\mu }\otimes \left[\begin{array}{ccc}1& \cdots & 1\end{array}\right]\text{\hspace{1em}(1.3)}$$

${}^2$ The Kronecker product of two matrices $\mathbf{A}\otimes \mathbf{B}$ with A = { a i j } ∈ R k × l , B = { b i j } ∈ R m × n \mathbf{A}=\left\{a_{i j}\right\} \in \mathbb{R}^{k \times l}, \mathbf{B}=\left\{b_{i j}\right\} \in \mathbb{R}^{m \times n} A={aij​}∈Rk×l,B={bij​}∈Rm×n is a $(km\times ln)$-matrix $\mathbf{C}$, such that $\mathbf{C}=\left[\begin{array}{ccc}{a}_{11}\mathbf{B}& \cdots & a_{1l}\mathbf{B}\\ ⋮& \ddots & ⋮\\ a_{k1}\mathbf{B}& \cdots & a_{kl}\mathbf{B}\end{array}\right]$

有了居中的观察矩阵$\overline{\mathrm{X}}$，协方差矩阵$\Sigma =\mathrm{Cov}(X)$可以通过以下方式估计

$$\hat{\Sigma }=\frac{1}{n-1}\overline{\mathbf{X}}{\overline{\mathbf{X}}}^{\top }.$$

由于在实际应用中$n$趋向于大，也可以使用近似值 $\frac{1}{n}\overline{\mathbf{X}}{\overline{\mathbf{X}}}^{\top }$.

1.2 关于随机变量的初步说明

我们想回顾一下概率论中的一些基本定义和符号，在本讲义中我们偶尔会用到。为了我们的目的，考虑连续或离散的实数多维随机变量就足够了。更正式地说，让$X\Omega \to {\mathbb{R}}^p$是一个随机变量，并将其相对于通常勒贝格测度的密度表示为$p_X(x)$。我们将使用非常草率但非常方便的符号$X\in {\mathbb{R}}^p$来表示随机变量$X$在${\mathbb{R}}^p$中取值。

对于（绝对）连续随机变量，密度是一个从${\mathbb{R}}^p$到$\mathbb{R}$的连续函数。如果是离散随机变量，其取值为$x_i$，概率为$p_i$，我们采用狄拉克δ函数${}^3$来描述其密度，即

$$p_X(x)=\sum _i{p}_i\delta \left(x-x_i\right).$$

${}^3$ The Dirac-Delta-Function fulfills the condition that $\delta (t)=0$ for $t\ne 0$ and ${\int }_{{\mathbb{R}}^p}\delta (t)\mathrm{d}t=1_p$. i.e. $\delta$ has an infinitely high peak at $0.$

所以，如果$\mathcal{A}\subset {\mathbb{R}}^p$，则$X$在$\mathcal{A}$中取值的概率为

$$\mathrm{Pr}(X\in \mathcal{A})={\int }_{\mathcal{A}}{p}_X(x)\mathrm{d}x.$$

注意，在离散随机变量的情况下，这个表达式只是

Pr ⁡ ( X ∈ A ) = ∫ A ∑ i p i δ ( x − x i ) d x = ∑ { i ∣ x i ∈ A } p i . \operatorname{Pr}(X \in \mathcal{A})=\int_{\mathcal{A}} \sum_{i} p_{i} \delta\left(x-x_{i}\right) \mathrm{d} x=\sum_{\left\{i \mid x_{i} \in \mathcal{A}\right\}} p_{i} . Pr(X∈A)=∫A​i∑​pi​δ(x−xi​)dx={i∣xi​∈A}∑​pi​.
通过知道两个随机变量$X\in {\mathbb{R}}^p$和$Y\in {\mathbb{R}}^k$的联合密度$p_{X,Y}(x,y)$，就可以分别推导出$X$和$Y$的个体密度。这些被称为边缘密度（marginal densities），它们由以下公式给出

$$\begin{array}{rl}& p_X(x)={\int }_{{\mathbb{R}}^k}{p}_{X,Y}(x,y)\mathrm{d}y,\\ & p_Y(y)={\int }_{{\mathbb{R}}^p}{p}_{X,Y}(x,y)\mathrm{d}x.\end{array}$$
如果联合密度函数是给定的，对两个变量之一的某个实现的了解，例如$X$，可以推断出关于$Y$的分布信息。由此产生的密度函数被称为条件密度函数，如果$X$的实现是$x\in {\mathbb{R}}^p$，它由以下公式给出

$$p_{Y\mid X=x}(y)=\frac{p_{X,Y}(x,y)}{p_X(x)}.$$

${}^4$ 从形式上看，这个集合必须是可测的，相对于博雷尔$\sigma$-代数而言，但如果你不知道什么是可测的，你能想象的所有子集都满足这个条件。有两个量在描述随机变量$X\in {\mathbb{R}}^p$的统计属性时起着突出的作用。它们是第一和第二时刻，也被称为期望值

$$\mathbb{E}[X]={\int }_{{\mathbb{R}}^p}x{p}_X(x)\mathrm{d}x=:\mu$$

和方差/协方差

$$\mathrm{Var}[X]={\int }_{{\mathbb{R}}^p}(x-\mu )(x-\mu {)}^{\top }{p}_X(x)\mathrm{d}x.$$

注意，$\mu \in {\mathbb{R}}^p$和$\mathrm{Var}[X]$是${\mathbb{R}}^{p\times p}$的半正定矩阵。

Exercise：证明方差/协方差矩阵是正半定的

表1.1: 该表显示了一个示例性的联合概率分布。

例1.2. 表1.1中给出了一个二维离散随机变量的联合概率分布的例子。边际密度分别用$p_Y（y）$和$p_X（x）$表示。作为一个练习，请计算在$Y=y_2$的情况下$X$的条件密度。

Answer: $p_{X\mid Y=y_2}(x)={\sum }_i{p}_i\delta \left(x-x_i\right)$, with $p_1=1/4,p_2=1/2,p_3=1/8,p_4=1/8.$