Dirichlet Process-非参数贝叶斯（1）

狄利克雷过程（dirichlet process ）是目前变参数学习（non parameter）非常流行的一个理论。

随机过程可以看做一个可数无穷多的随机向量的集合（astochastic process is an indexed collection of random variables,where the index set can be infinite）

dirchlet process由两个参数（/alpha， 基本分布H）定义，生成无限数量的随机变量，

这些随机变量的联合分布是dirchlet distribution（有限维）在无限维上的推广，同dir和beta分布一样，可以用作无限维multinomial的共轭先验

（注意，虽然Dirichlet process和无限维multinomial理论上是“无限维”，但是在有限个可见训练/测试样本中，其表现为有限维，

也就是说，我们不必预先指定类别数量K，而是，当新类别的样本出现时，将自动被打上新标签，这是non parametric的基础

另有一种算法叫Bayesian finite mixture model，也能从样本中推断出类别数，但是这模型的类别数有一个预设上界K，而DPMM(Dirichlet Process mixture model)的类别数没有上界）

1.Dirichlet Process 的定义

假设存在在度量空间\Theta上的分布H，和一个参数\alpha，

G是在度量空间\Theta上的一个分布（意思是对任意theta的子集A，G（A）是一个函数，使得0<G（A）<=1, 且具备可加性，且G（\theta）=1）

如果对于度量空间\Theta的任意一个可数划分（可以是有限或者无限的）T1, T2,...,Tn，都有下列式子成立：

这里Dir是dirichlet 分布，我们称G是满足Dirichlet process的。H也成为base distribution。

举个简单的例子，

在CRP中，Ti可以看成是第i张桌子，G（Ti）就是第i张桌子的概率

（G(1),G（2），...,G(K)）~Dirichlet(alpha/K,alpha/K,....alpha/K)，

在K趋于无穷大时候的情况

以下为DP的性质。

这个定义是1973年Ferguson最早提出的，比较晦涩。有三种构造性方法：Polya urm model，chinese restaurant proces，Stick-breaking construction

基本的构造是这样：

2. Polya urm model

假设存在可数无限多种颜色的球，一个空的urn

1. 第一次，按照H分布选定一个颜色，取出对应颜色的球放入urn中

2. 后续，有两种选球法，按其中之一选定一个颜色，取出对应颜色的一个球放入urn中

i）按均匀分布从urn中取出一个球，按该球的颜色取

ii）按H分布选定一个颜色

则有

也就是

其中Xi表示第i个摸出来的球的颜色；

在chinese restaurant process中，Xi表示第i个客人选中的桌子，

可以看出，polya urn model和chinese restaurant process都满足exchangeable性质，因此可以表示为上面的（1）式。

此时随机元素G就是dirichlet process。

（但是我不知道（6）和（4）如何等价？？？在http://www.iro.umontreal.ca/~lisa/seminaires/31-10-2006.pdf看到一个解释是在K->无穷时，

3.Stick-breaking construction

可以看出，G的生成方法是，先按照H分布抽取出无限样本点，然后/pai_k重新赋权。这是一个取值无限的离散分布（取值点数量是可数无穷，而如果H是实数上的分布，取值点数量是阿列夫1哦）,每次抽取，可以抽取出不同的/beta,H,生成不同的G。

可以证明G是dirichlet process。

（stick-break 来源是/pai数列，这有点象每次从长度为1 的木棍上折下一定的长度，E（/beta）=1/(1+/alpha）,当/alpha较小，则开始几个木棍会很长，也就是说，如果用它作为聚类的prior，将会倾向于分成更少更大的类)

Stick-breaking 和之前CRP和urn的关系是

Imagine running either the Chinese Restaurant Process or the Polya Urn Model without stop. For each group