僕の研究は，大雑把に言うとグラフィカルモデルの最適化手法に関するものです．本研究の貢献を簡単にまとめると，次のようになります．
- グラフィカルモデル内の確率変数が連続的である場合，計算上の理由から，変分ベイズ法ならびに確率伝播法で扱える分布のモデルには制限があります．提案手法を使うことで，非指数型の分布族に関しても変分ベイズ法を効率的に適用できるようになりました．
- さらに，同様の議論を確率伝播法にも適用することで，確率伝播法をノンパラメトリックに扱うこともできるようになりました．
実際の論文では対象のグラフィカルモデルを一階のマルコフ確率場に限定していますが，変分ベイズ法などの別の領域にも容易に適用できます．また，議論を簡単にするため実際の論文では確率変数の離散化を焦点に当てた形で書いていますが，その流れに沿って書いてもあまり面白く無いので，ここではどのような過程でこのような研究に取り組んだのか簡単に書いていきたいと思います．
グラフィカルモデルは機械学習の多くの分野で使われてきた確率モデルです．この確率モデルを用いて対象の問題を高精度に解くためには，確率変数の周辺化が重要となってきます．周辺化の計算を直接行うことは困難であるため，大きく分けて2つの方法論で周辺分布を近似的に求めることが一般的です．一つはギブスサンプリングに代表される，大量のサンプルをばらまいてモンテカルロ的に推定解を求める方法，もう1つは平均場近似(変分ベイズ法)や確率伝播法に代表される，変分原理に基づいた近似的推論法を使う方法です．後者は得られる推定解の精度が比較的悪いものの，特定の反復方程式に従って周辺分布を更新するだけで良いため，高速に周辺分布の推定解が求められる利点を持ちます．本研究は後者の推定手法に関するものです．
変分原理に基づいた周辺分布の反復計算は，グラフィカルモデル内の確率変数が連続的であるか離散的であるかで異なります．変数が連続的である場合，周辺分布の密度関数は少数のパラメータからなるパラメトリックな連続分布として表現されます．そして，平均場近似，確率伝播法の両方とも，実際の最適化には変分原理に従って導出された特定の反復方程式に従って，対象のパラメータを更新していきます．しかしながら，このような更新は更新後の分布が更新前の分布と同じパラメータで表現される必要があるため，扱える分布モデルの範囲は非常に限られていました．以上の背景から，僕は平均場近似ならびに確率伝播法をノンパラメトリックに扱えるような方法論を新しく提案すれば，良いインパクトになるのではないかと考えました．
このような元々の平均場近似や確率伝播法では扱えない分布をどうにかして扱えるよう拡張できないだろうかという要望は多く，これまでにいくつかの試みが提案されています．これらの試みはすべて次の混合分布の仮定を下にしています．すなわち，平均場近似や確率伝播法で扱う近似分布やメッセージを，次の混合ガウス分布で仮定することです．
もし上の仮定の下で混合ガウス分布のパラメータに関する反復方程式を導出できたのであれば，対象のグラフィカルモデルがどのような分布であったとしても平均場近似や確率伝播法を適用できる．つまり，平均場近似や確率伝播法の可能性を一気に広げることができます．
しかし，このアイデアを直接適用してもあまり上手くいかないことが知られていました．なぜなら，変分原理は計算の段階で混合ガウス分布のエントロピーを計算する必要があるためです．混合ガウス分布のエントロピーは計算困難であるため，このままでは反復方程式を解析的に導出できません．
このような問題に対応するための方法として，これまで大きく分けて2つのアプローチが提案されてきました．1つは解析解を出すために，混合分布のエントロピーにJensenの不等式を用いてさらなる近似を行い，解析解を求める方法です[3]．しかしながら，この方法論は平均場近似や確率伝播法で導入した近似分布の他に，さらなる近似をおくことになります．もう1つはモンテカルロ法を用いて，混合ガウス分布のパラメータの反復解を力技で求める方法です[1][2]．しかしながら，この方法論ではサンプル数に依存せず高速に推定解を求められる，確率伝播法の利点を失うことになります．
これ以外にエントロピーの計算をどうにかして解決できないだろうかと思い，思考を巡らせました．前述の通り，そもそもの問題は混合ガウス分布のエントロピーが計算困難であることでした．ガウス分布の裾が別のガウス分布に干渉してしまうため，それぞれ独立した分布として扱うことができないのです．そうであれば，最初の出発点に混合ガウス分布を選ぶのではなく，互いに干渉しない別の分布を選べば良いのではないでしょうか？例えばヒストグラムのような，互いに干渉せず，エントロピーが容易に計算できる混合矩形分布を採用するのは？
ここで，hは変数iにおける，s番目の矩形分布を表します．本研究で新しく提案したアイデアは基本的にはこれだけです．この矩形分布の位置とサイズは，重なっていなければ変数空間のどの箇所に配置しても構いません．すなわち，この表現を用いて変数空間の重要な箇所を密に離散化し，重要でない箇所を疎に離散化することもできます．さらに，変数毎に配置する矩形分布の個数は異なっていても構いません．すなわち，変数の重要性に従って，変数の離散化の度合いを変えることもできます．
次に，上の表現を用いて本来の連続的な最適化問題をパラメータαの最適化問題へ変換し，パラメータに関する反復方程式を導出しました．詳しくは言及しませんが，最終的に導出した反復方程式の形は対象の変数が離散的な場合の平均場近似，確率伝播法の形と非常に似通っています．唯一の違いはエネルギー関数に加わる補正項の存在です．この補正項は変数空間の離散化の「非一様性」を補正する役割をもちます．すなわち，提案手法によって，グラフィカルモデルの連続的な変数空間を非一様に離散化し，ノンパラメトリックに扱えるようになったのです．
以上，急ぎですが本研究の解説記事を書かせていただきました．興味を持っていただけた方は，次のURLからダウンロードしていただければ幸いです．
http://www.vision.is.tohoku.ac.jp/index.php/download_file/view/35/177/167/
参考文献
[1] A. Ihler et. al., Particle Belief Propagation, AISTATS, 2009
[2] E. B. Sudderth et. al., Nonparametric Belief Propagation, CVPR, 2003
[3] S. J. Gershman et. al., Nonparametric Variational Inference, ICML, 2012
参考文献
[1] A. Ihler et. al., Particle Belief Propagation, AISTATS, 2009
[2] E. B. Sudderth et. al., Nonparametric Belief Propagation, CVPR, 2003
[3] S. J. Gershman et. al., Nonparametric Variational Inference, ICML, 2012
