Preface

PRML 中 8.3.2 小节简单描述了 Markov Random Fields 的分解特性，其中最核心的部分就是 Hammersley Clifford Theorem, 然而它并没有证明这个定理，只是在末尾的时候提到了这个结论，导致我在阅读中间部分的时候一头雾水。好在我 google 到了一个优雅的证明，顺便翻译在此。

Probabilistic Graphical Models

先随便插点 PRML 中关于概率图模型比较重要的论述。

• 概率图模型用于形象地描述一组随机变量的联合分布
  • 可以被看作是对联合分布的一种过滤器
  • 如果图 G 中反映出的所有变量间的条件独立性质均在某个分布 P 中满足，则 P 可以通过该过滤器
  • 在满足上一条的前提下，如果 P 中真实存在的所有变量间的条件独立性在图 G 上均能反映，则称 G 为 P 的 perfect map
• 概率图模型大致分为两种，有向图和无向图
  • 有向图的优点在于联合分布可以很容易地分解为节点属性（也就是条件概率）的乘积
  • 然而有向图在反映条件独立性质的时候，并不十分直接（head-2-head）
  • 无向图可以直观地反映变量间的条件独立性质，代价是联合分布较难表示，而后文将证明的定理就是为了解决这个问题
• 有向图和无向图的表达能力是不同的
  • 换句话说，给定随机变量集合后，能够用有向图 perfect map 的所有联合分布的集合 D 与能够用无向图 perfect map 的所有联合分布的集合 U 并不相同
  • 它们与所有该随机变量集合能够形成的联合分布集合 P 的关系如下图：

Markov Random Fields

• 无向图模型
• 图中的每个节点对应一个或一组随机变量
• 图中的连线表示随机变量之间的联系，具有如下属性：
  • 变量间的条件独立性容易判断，事实上，假设 A, B, C 为图 G 中的3组顶点集合
  • 如果 A 到 B 的每条路线中都至少经过 C 中的一个顶点，则称 A 与 B 在条件 C 下独立
  • 记作 $A \perp\!\!\!\perp B | C$，满足：

$$P(A, B | C) = P(A | C) \cdot P(B | C)\tag{0}\label{eq0}$$

• 考虑顶点 $X_i$, 记其所有邻顶点集合为 $N_i$, 令 $D_i = N_i \cup \{X_i\}, A = \{X_i\}, B = G/D_i, C = N_i$
  • B 为图中除去顶点 i 及其相邻顶点后的集合，C 为其邻顶点集，A 与 B 中的连线必过 C，于是 $P(X_i, X_{G/D_i} | X_{N_i}) = P(X_i | X_{N_i}) P(X_{G/D_i} | X_{N_i})$
  • 根据贝叶斯公式

$$P(X_i | X_{G/i}) = \frac{P(X_i, X_{G/D_i} | X_{N_i})}{P(X_{G/D_i} | X_{N_i})} = \frac{P(X_i | X_{N_i}) P(X_{G/D_i} | X_{N_i})}{P(X_{G/D_i} | X_{N_i})} = P(X_i | X_{N_i})\tag{1}\label{eq1}$$

换句话说，$X_i$ 的条件概率，仅与其相邻顶点的取值相关。以上便是 MRF 的定义。

Gibbs Distribution

• 一个定义在无向图 G 上的联合概率分布 $P(X)$ 被称为 Gibbs 分布 iff：
  • 它能够被分解为关于 G 中的团（联通子图）的正函数的积
  • 记 $C_G$ 为图 G 中所有团的集合，$Z = \sum_x \prod_{c \in C_G} \phi_c(X_c)$ 为归一化因子，即有：

$$P(X) = \frac1Z \prod\limits_{c \in C_G} \phi_c(X_c)\tag{2}\label{eq2}$$

注意到团上的函数之积可以合并，我们可以将 $C_G$ 定义为最大团集合，表达能力不变。

Hammersley Clifford Theorem

该定理说的是，MRF 与 Gibss 分布的定义等价。i.e. 对于同样的 G，上述两种定义能够表示的所有联合概率分布 $P(X)$ 的集合相同。下面给出该定理的证明。

Backward Direction

先证明：Gibbs 分布满足 MRF 中通过拓扑引入的所有条件独立特性, 即满足 $\eqref{eq1}$.

通过边缘分布公式，有：

$$P(X_i | X_{N_i}) = \frac{P(X_i, X_{N_i})}{P(X_{N_i})} = \frac{\sum_{G/D_i} \prod_{c \in C_G} \phi_c(X_c)}{\sum_{x_i}\sum_{G/D_i} \prod_{c \in C_G} \phi_c(X_c)}\tag{3}\label{eq3}$$

然后将 $C_G$ 中的团，依据是否包含 $X_i$ 分为两类：

• $C_i = \{c \in C_G : X_i \in c\}$
• $R_i = \{c \in C_G : X_i \notin c\}$

于是将 $\eqref{eq3}$ 中的分子分母均进行分解，得到：

$$P(X_i | X_{N_i}) = \frac{\sum_{G/D_i} \prod_{c \in C_i} \phi_c(X_c) \prod_{c \in R_i} \phi_c(X_c)}{\sum_{x_i}\sum_{G/D_i} \prod_{c \in C_i} \phi_c(X_c) \prod_{c \in R_i} \phi_c(X_c)} = \frac{\prod_{c \in C_i} \phi_c(X_c) \sum_{G/D_i} \prod_{c \in R_i} \phi_c(X_c)}{\sum_{x_i} \prod_{c \in C_i} \phi_c(X_c) \sum_{G/D_i} \prod_{c \in R_i} \phi_c(X_c)} \tag{4}\label{eq4}$$

之所以能够交换求和号与求积号的顺序，是因为 $C_i$ 中的团 c 包含了 $X_i$, 于是 c 中的所有顶点均在 $D_i$ 中，因此求和过程中 $\prod_{c \in C_i} \phi_c(X_c)$ 保持不变。又 $\sum_{G/D_i} \prod_{c \in R_i} \phi_c(X_c)$ 与 $x_i$ 无关，因此可以被约去，得到：

$$P(X_i | X_{N_i}) = \frac{\prod_{c \in C_i} \phi_c(X_c)}{\sum_{x_i}\prod_{c \in C_i} \phi_c(X_c)} = \frac{\prod_{c \in C_i} \phi_c(X_c)}{\sum_{x_i}\prod_{c \in C_i} \phi_c(X_c)} \cdot \frac{\prod_{c \in R_i} \phi_c(X_c)}{\prod_{c \in R_i} \phi_c(X_c)}\\ = \frac{\prod_{c \in C_G} \phi_c(X_c)}{\sum_{x_i}\prod_{c \in C_G} \phi_c(X_c)} = \frac{P(X)}{P(X_{G/{i}})} = P(X_i | X_{G/i})$$

即得 $\eqref{eq1}$.

Forward Direction

需要证明：如果 $\eqref{eq1}$ 成立，则存在这样的 $\phi_c(X_c)$ 使得 $\eqref{eq2}$ 成立。通过构造加以证明，首先定义子集 $s \subset G$ 上的函数：

$$f_s(X_s = x_s) = \prod\limits_{z \subset s} P(X_z = x_z, X_{G/z} = 0) ^{-1 ^{|s| - |z|}}$$

该函数为所有 s 的子集 z 上的函数之积，$P(X_z = x_z, X_{G/z} = 0)$ 对应于 z 中元素与给定的取值相同，其余元素全为 0 的概率。当 z 与 s 的大小相差为偶数时，对应的指数为1，否则为-1.

容易直到，如果能够证明如下两个性质，则 $\phi_c(X_c) = f_c(X_c)$ 即满足条件。

1. $\prod_{s \subset G} f_s(X_s) = P(X)$
2. 若 s 不是团，则 $f_s(X_s) = 1$

对于性质1，考虑某个 $z \subset G$, 考虑 $\Delta = P(X_z, X_{G/z} = 0)$ 在1的左边出现的所有因子。它在 $f_z(X_z)$ 中出现过，对应的指数为 1，对应的因子为 $\Delta$; 又它出现在 $C_{|G| - |z|} ^1$ 个“恰包含了 z 以及另1个元素的子集”的函数值中，对应的因子的积为 $\Delta ^{- C_{|G| - |z|} ^1}$; 又它出现在 $C_{|G| - |z|} ^2$ 个“恰包含了 z 以及另外2个元素的子集”的函数值中，对应的因子的积为 $\Delta ^{C_{|G| - |z|} ^2}$ …… 由于 $0 = (1 - 1) ^K = C_K ^0 - C_K ^1 + C_K ^2 + \cdots + (-1) ^K C_K ^K$, 1中左侧各个子集 z 对应的因子的总乘积为1，除非 z 取 G，对应的因子即为 $P(X)$.

接下来，通过 MRF 的属性来证明性质2. 对于 s 非团的情况，取其中不相连的两个顶点 a, b.

$$f_s(X_s) = \prod\limits_{w \subset s/\{a, b\}} [\frac{P(X_w, X_{G/w}=0)P(X_{w \cup \{a, b\}}, X_{G/w \cup \{a, b\}}=0)}{P(X_{w \cup \{a\}}, X_{G/w \cup \{a\}}=0)P(X_{w \cup \{b\}}, X_{G/w \cup \{b\}}=0)}] ^{-1 ^*}$$

即考虑 s 中所有子集中 a, b 的出现情况，分为四类，并将对应的因子合并，$-1 ^*$ 表示指数无关紧要，因为紧接着将证明等号右边中每个因子的底数为1. 根据贝叶斯法则：

$$\frac{P(X_w, X_{G/w} = 0)}{P(X_{w \cup \{a\}}, X_{G/w \cup \{a\}} = 0)} \\ = \frac{P(X_a = 0|X_w, X_b = 0, X_{G/w \cup \{a, b\}} = 0)P(X_w, X_b = 0, X_{G/w \cup \{a, b\}} = 0)}{P(X_a | X_w, X_b = 0, X_{G/w \cup \{a, b\}} = 0)P(X_w, X_b = 0, X_{G/w \cup \{a, b\}} = 0)} \\ = \frac{P(X_a = 0|X_w, X_b, X_{G/w \cup \{a, b\}} = 0)P(X_w, X_b, X_{G/w \cup \{a, b\}} = 0)}{P(X_a | X_w, X_b, X_{G/w \cup \{a, b\}} = 0)P(X_w, X_b, X_{G/w \cup \{a, b\}} = 0)} \\ = \frac{P(X_{w \cup \{b\}}, X_{G/w \cup \{b\}} = 0)} {P(X_{w \cup \{a, b\}}, X_{G/w \cup \{a, b\}} = 0)} \tag{5}\label{eq5}$$

上式中第二的等式成立是因为：

1. 分子分母的右侧因子相同，同时进行了替换
2. 取 $A = \{a\}, B = \{b\}, C = G/\{a, b\}$，由 $A \perp\!\!\!\perp B | C$ 以及 $\eqref{eq0}$ 得到 $P(A | B, C) = \frac{P(A, B | C)}{P(B | C)} = P(A | C) = P(A | B = b, C)$ 即 $P(X_a | X_w, X_b = 0, X_{G/w \cup \{a, b\}} = 0) = P(X_a | X_w, X_b, X_{G/w \cup \{a, b\}} = 0)$, 同理分子的部分也相等。

根据 $\eqref{eq5}$ 容易得到性质2，于是正向的证明完成。

Original Work

Hammersley-Clifford_Theorem.pdf