「トピックモデルによる統計的潜在的意味解析」の本を読んでみた（その２） - CCCマーケティングデータベースマーケティング研究所の Tech Blog

こんにちは！研究所の佐藤(智)です。

トピックモデルによる統計的潜在的意味解析、
奥村学(監修)、佐藤一誠(著)、コロナ社 (2015年)

を読んでみた感想（その２）です。

（その１）の記事；

今回は、本書の中で個人的に最も気になったについて書いてみます。前回の記事式(1.2)の右辺：

${ \displaystyle \begin{eqnarray} \int \sum_{z} p(x \mid \phi_z) p(z \mid \pi) p(\phi, \pi \mid x_1, \ldots, x_n, \eta, \gamma) d\phi d\pi \end{eqnarray} }$

(※あとの説明のため、 $\alpha$ を $\gamma$ と置き換えました。)

は「一般的に解析的に計算することが困難」という話をしました。変分近似法によるアプローチの場合、上式を変形しながら計算を進めていくと、 $q(z_{d,i}=k)$ の値を計算することに話が落ち着いてきます。ここで、 $q(z_{d,i}=k)$ は、文書 $d$ の単語 $i$ における潜在変数 $z_{d,i}$ が $k$ となる場合の近似事後分布を表しています。しかしながら、この $q(z_{d,i}=k)$ についても、直接の計算をすることはまだできず、対数関数のテイラー展開というテクニックを使います。

ここで、対数関数のテイラー展開を簡単に説明します。テイラー展開をおこなうモチベーションは、解析的に計算が難しいと考えられる関数があった場合に、多項式を使ってより簡単な形で表し計算したいことにあります。対数関数 $\log(x)$ について、点 $a$ の周りでのテイラー級数を考えると

${ \displaystyle \begin{eqnarray} \log(x) = \log(a)+ \frac{1}{a} (x-a) - \frac{1}{2a^2} (x-a)^2 + \cdots \end{eqnarray} }$

と書き表すことができ、 0次のテイラー展開は

${ \displaystyle \begin{eqnarray} \log(a) \tag{2.1} \end{eqnarray} }$

となり、2次までのテイラー展開は

${ \displaystyle \begin{eqnarray} \log(a)+ \frac{1}{a} (x-a) - \frac{1}{2a^2} (x-a)^2 \tag{2.2} \end{eqnarray} }$

となります。 $(2.1)$ は定数であり、明らかに $(2.2)$ のほうが $\log(x)$ の近似になっているのですが。。。

本書では $x=q(z_{d,i}=k)$ のとき、 $x$ の期待値 $\mathbb{E} [ x ]$ の周りでのテイラー展開を考えると、 $(2.1)$ のほうが $(2.2)$ よりも汎化能力が高いことが経験的に知られているとのこと！その理由の1つの解釈として、本書では以下の論文を紹介しています：

Issei Sato, Hiroshi Nakagawa, Rethinking Collapsed Variational Bayes Inference for LDA, Proceedings of the 29th International Conference on Machine Learning (ICML 2012)

この論文を少し見てみました。この論文によると、理由はカルバックライブラーダイバージェンス(KLD)が関係しているようです。 LDA の推定(計算)では KLD を $KL [ p ] [ q ]$ で定義しています。そして、 $\log q(z_{d,i}=k)$ の 0 次テイラー展開 $(2.1)$ で LDA を推定する場合は、計算にこの $KL [ p ] [ q ]$ を使います。一方、 $\log (q(z_{d,i}=k))$ の 2次までのテイラー展開 $(2.2)$ で LDA を推定する場合は、計算に $p$ と $q$ をスワップさせた $KL [ q ] [ p ]$ を使います。この2種類の KLD の違いが、汎化能力の違いのキーになっているとのことです。

今回のブログはここまで。これらの意味についてもう少しきちんと理解できたら、本ブログでまた書きたいと思います。