MM算法思想
MM算法是一种迭代优化方法，它利用函数的凸性来找到原函数的最大值或最小值。当原目标函数\(f(\theta)\)较难优化时，算法不直接对原目标函数求最优解，而去求解逼近于原目标函数的一个易于优化的目标函数\(g(\theta)\)，通过对这个替代函数求解，使得\(g(\theta)\)的最优解逼近于\(f(\theta)\)的最优解。每迭代一次，根据所求解构造用于下一次迭代的新的替代函数，然后对新的替代函数最优化求解得到下一次迭代的求解。通过多次迭代，可以得到越来越接近目标函数最优解的解。
MM代表“Majorize-Minimization”或“Minorize-Maximization”，取决于所需的优化是最大化还是最小化。
- Majorize-Minimization：每次迭代找到原非凸目标函数的一个上界函数，求上界函数的最小值。
- Minorize-Maximization：每次迭代找到原非凸目标函数的一个下界函数，求下界函数的最大值。
期望最大化(EM)算法可以被视为MM算法的特殊情况，在机器学习中经常用到。MM算法与EM算法有联系但是又有区别，在EM算法中通常涉及条件期望，而在MM算法中，凸性和不等式是主要焦点。
以Minorize-Maximization为例, 使目标函数\(f(\theta)\)最大化。
在算法的第\(m(m=0,1...)\)步，若满足以下条件，则目标函数\(f(\theta_m)\)可用构造函数\(g_m(\theta_m)\)代替。
\[g_m(\theta) \leq f(\theta_m) \ \ \forall \theta $$ $$ g_m(\theta_m) = f(\theta_m) \]
MM算法步骤
- 使\(m = 1\)，并初始化\(\theta_0\)。
- 构造\(g_m(\theta)\)满足条件\((1)\)和\((2)\)。
- 令\(\theta_{m+1}=\arg\underset{\theta }{\mathop{\min }} \ g_m(\theta)\)。
- 使\(m=m+1\)，返回步骤2。
\(\theta_m\)和目标函数的替代函数的迭代步骤如下图所示。
由以上条件可得如下不等式：
\[f(\theta_{m+1}) \geq g_m(\theta_{m+1}) \geq g(\theta_m|\theta_m) = f(\theta_m) \]
本文作者：@qiuhlee
本文为作者原创，转载请注明出处。本文地址：https://www.cnblogs.com/qiuhlee/p/9298877.html