Noise-contrastive estimation（NCE）是一種估計(jì)統(tǒng)計(jì)模型參數(shù)的方法。
基本思想是用非線性邏輯回歸（nonlinear logistic regression）區(qū)分觀測(cè)數(shù)據(jù)和一些人為產(chǎn)生的噪聲數(shù)據(jù)，在區(qū)分的時(shí)候?qū)W習(xí)統(tǒng)計(jì)模型的參數(shù)。
作者證明該方法的估計(jì)量是一個(gè)一致（收斂）估計(jì)量，并分析了漸近方差。
特別地，該方法可以直接用于非歸一化模型的參數(shù)估計(jì)，即概率密度函數(shù)積分不為1的模型。歸一化常數(shù)可以像任何其他參數(shù)一樣進(jìn)行估計(jì)。

NCE的估計(jì)量

用$X=({\mathbf{x}}_1,\dots ,{\mathbf{x}}_T)$表示觀測(cè)數(shù)據(jù)，我們用分布$p_m(?;\theta )$去擬合。$Y=({\mathbf{y}}_1,\dots ,{\mathbf{y}}_T)$表示任意的噪聲數(shù)據(jù)，其符合分布$p_n(?)$。估計(jì)量${\hat{\theta }}_T$被定義為最大化下面目標(biāo)函數(shù)的$\theta$：
$$J_T(\theta )=\frac{1}{2T}\sum _t\ln [h({\mathbf{x}}_t;\theta )]+\ln [1?h({\mathbf{y}}_t;\theta )]\text{\hspace{1em}(1)}$$其中
$$\begin{gathered} h(\mathbf{u};\theta )=\frac{1}{1+\exp [?G(\mathbf{u};\theta )]} \\ G(\mathbf{u};\theta )=\ln p_m(\mathbf{u};\theta )?\ln p_n(\mathbf{u}) \end{gathered}$$
logistic regression的函數(shù)是$r(x)=\frac{1}{1+\exp (?x)}$，那么$h(\mathbf{u};\theta )=r(G(\mathbf{u};\theta ))$。
公式(1)是區(qū)分?jǐn)?shù)據(jù)來(lái)自X或者噪聲Y的logistic regression的log-likelihood。
NCE的思想就是，通過(guò)區(qū)分?jǐn)?shù)據(jù)和噪聲，可以學(xué)習(xí)到數(shù)據(jù)的分布。

作者證明了估計(jì)量${\hat{\theta }}_T$的一致性：

噪聲分布的選擇

噪聲分布應(yīng)該盡可能的和數(shù)據(jù)分布相似，否則的話分類問(wèn)題太過(guò)于簡(jiǎn)單，算法學(xué)習(xí)不到符合真實(shí)數(shù)據(jù)分布的參數(shù)。
可以先學(xué)習(xí)一個(gè)基礎(chǔ)的模型去擬合數(shù)據(jù)分布，再將這個(gè)基礎(chǔ)模型作為噪聲分布。

參考

AISTATS 2010《Noise-contrastive estimation: A new estimation principle for unnormalized statistical models》

總結(jié)

以上是生活随笔為你收集整理的Noise-contrastive estimation简介的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。