of 143
8/2/2019 Bayesian and Markov Random Fields
1/143
B a y e s i a n M e t h o d s a n d
M a r k o v R a n d o m F i e l d s
M a r i o A . T . F i g u e i r e d o
D e p a r t m e n t o f E l e c t r i c a l a n d C o m p u t e r E n g i n e e r i n g
I n s t i t u t o S u p e r i o r T e c n i c o
L i s b o a , P O R T U G A L
e m a i l : m t f @ l x . i t . p t
T h a n k s : A n i l K . J a i n a n d R o b e r t D . N o w a k,
M i c h i g a n S t a t e U n i v e r s i t y , U S A
8/2/2019 Bayesian and Markov Random Fields
2/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
M o s t i m a g e a n a l y s i s p r o b l e m s a r e \ i n f e r e n c e " p r o b l e m s :
g
O b s e r v e d i m a g e
\ I n f e r e n c e "
//f
I n f e r r e d i m a g e
F o r e x a m p l e , \ e d g e d e t e c t i o n " :
\ I n f e r e n c e "
//
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2
8/2/2019 Bayesian and Markov Random Fields
3/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
T h e w o r d \ i m a g e " s h o u l d b e u n d e r s t o o d i n a w i d e s e n s e . E x a m p l e s :
C o n v e n t i o n a l i m a g e
C T i m a g e
0 5 10 15 20 250
5
10
15
0
5
F l o w i m a g e
R a n g e i m a g e
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3
8/2/2019 Bayesian and Markov Random Fields
4/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
E x a m p l e s o f \ i n f e r e n c e " p r o b l e m s
I m a g e r e s t o r a t i o n
E d g e d e t e c t i o n
0 20 40 60 80 100 120 140 160 180
20
40
60
80
100
120
140
C o n t o u r e s t i m a t i o n
T e m p l a t e m a t c h i n g
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4
8/2/2019 Bayesian and Markov Random Fields
5/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
M a i n f e a t u r e s o f \ i m a g e a n a l y s i s " p r o b l e m s
T h e y a r e i n f e r e n c e p r o b l e m s , i . e . , t h e y c a n b e f o r m u l a t e d a s :
\ f r o mg
, i n f e rf "
T h e y c a n n o t b e s o l v e d w i t h o u t u s i n g a p r i o r i k n o w l e d g e .
B o t h
fa n d
ga r e h i g h - d i m e n s i o n a l .
( e . g . , i m a g e s ) .
T h e y a r e n a t u r a l l y f o r m u l a t e d a s s t a t i s t i c a l i n f e r e n c e p r o b l e m s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5
8/2/2019 Bayesian and Markov Random Fields
6/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
I n t r o d u c t i o n t o B a y e s i a n t h e o r y
B a s i c a l l y , t h e B a y e s i a n a p p r o a c h p r o v i d e s a w a y t o \ i n v e r t " a n
o b s e r v a t i o n m o d e l , t a k i n g p r i o r k n o w l e d g e i n t o a c c o u n t .
f
U n k n o w n
//
k n o w l e d g e
$,
'& %$! "#O b s e r v a t i o n m o d e l
//
k n o w l e d g e
g
O b s e r v e d
BCoo
b
f
I n f e r r e d
'& %$! "#B a y e s i a n d e c i s i o noo
I n f e r r e d = e s t i m a t e d , o r
d e t e c t e d , o r c l a s s i e d , . . .
L o s s f u n c t i o n
KS
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6
8/2/2019 Bayesian and Markov Random Fields
7/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
T h e B a y e s i a n p h i l o s o p h y
K n o w l e d g e,
p r o b a b i l i t y
A s u b j e c t i v e ( n o n - f r e q u e n t i s t ) i n t e r p r e t a t i o n o f p r o b a b i l i t y .
P r o b a b i l i t i e s e x p r e s s \ d e g r e e s o f b e l i e f " .
E x a m p l e : \ t h e r e i s a 2 0
%p r o b a b i l i t y t h a t a c e r t a i n p a t i e n t h a s a
t u m o r " . S i n c e w e a r e c o n s i d e r i n g o n e p a r t i c u l a r p a t i e n t , t h i s
s t a t e m e n t h a s n o f r e q u e n t i a l m e a n i n g i t e x p r e s s e s a d e g r e e o f b e l i e f.
I t c a n b e s h o w n t h a t p r o b a b i l i t y t h e o r y i s t h e r i g h t t o o l t o f o r m a l l y
d e a l w i t h \ d e g r e e s o f b e l i e f " o r \ k n o w l e d g e "
C o x ( 4 6 ) , S a v a g e ( 5 4 ) , G o o d ( 6 0 ) , J e r e y s ( 3 9 , 6 1 ) , J a y n e s ( 6 3 , 6 8 , 9 1 ) .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7
8/2/2019 Bayesian and Markov Random Fields
8/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
B a y e s i a n d e c i s i o n t h e o r y
K n o w l e d g e a b o u tf
p ( f )
$,
O b s e r v a t i o n m o d e l
p ( g j f )
L o s s f u n c t i o n
L ( f
b
f )
rzB a y e s i a n d e c i s i o n t h e o r y
O b s e r v e d d a t a
g
//
'& %$
! "#
D e c i s i o n r u l e
b
f = ( g )
A n \ a l g o r i t h m "
//I n f e r r e d q u a n t i t y
b
f
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 8
8/2/2019 Bayesian and Markov Random Fields
9/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
H o w a r e B a y e s i a n d e c i s i o n r u l e s d e r i v e d ?
B y a p p l y i n g t h e f u n d a m e n t a l p r i n c i p l e s o f t h e B a y e s i a n p h i l o s o p h y :
K n o w l e d g e i s e x p r e s s e d v i a p r o b a b i l i t y f u n c t i o n s .
T h e \ c o n d i t i o n a l i t y p r i n c i p l e " : a n y i n f e r e n c e m u s t b e b a s e d
( c o n d i t i o n e d ) o n t h e o b s e r v e d d a t a (g
) .
T h e \ l i k e l i h o o d p r i n c i p l e " : T h e i n f o r m a t i o n c o n t a i n e d i n t h e
o b s e r v a t i o ng
c a n o n l y b e c a r r i e d v i a t h e l i k e l i h o o d f u n c t i o np ( f j g
) .
A c c o r d i n g l y , k n o w l e d g e a b o u tf
, o n c eg
i s o b s e r v e d , i s e x p r e s s e d b y t h e
a p o s t e r i o r i ( o r p o s t e r i o r ) p r o b a b i l i t y f u n c t i o n :
p ( f j g) =
p ( g j f ) p ( f )
p ( g )
\ B a y e s l a w "
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 9
8/2/2019 Bayesian and Markov Random Fields
10/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
H o w a r e B a y e s i a n d e c i s i o n r u l e s d e r i v e d ? ( c o n t . )
O n c e
gi s o b s e r v e d , k n o w l e d g e a b o u t
fi s e x p r e s s e d b y
p ( f j g) .
G i v e n
g, w h a t i s t h e e x p e c t e d v a l u e o f t h e l o s s f u n c t i o n
L ( f
b
f) ?
E
h
L ( f
b
f ) j g
i
=
Z
L ( f
b
f ) p ( f j g ) d f
p ( f )
b
f j g
. . . t h e s o - c a l l e d \ a p o s t e r i o r i e x p e c t e d l o s s " .
A n \ o p t i m a l B a y e s r u l e " , i s o n e m i n i m i z i n g
p ( f )
b
f j g
:
b
f
B a y e s
=
B a y e s
( g) = a r g m i n
b
f
p ( f )
b
f j g
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 0
8/2/2019 Bayesian and Markov Random Fields
11/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
H o w a r e B a y e s i a n d e c i s i o n r u l e s d e r i v e d ? ( c o n t . )
P r i o r
p ( f )
+3
'& %$
! "#
B a y e s L a w
p ( f j g) =
p(
gj
f)
p(
f)
p(
g)
L i k e l i h o o d
p ( g j f )
ks
L o s s
L ( f
b
f )
+3
'& %$
! "#\
a p o s t e r i o r i e x p e c t e d l o s s "
p ( f )
b
f j g
= E
h
L ( f
b
f ) j g
i
\ P u r e B a y e s i a n s ,
s t o p h e r e ! R e p o r t
t h e p o s t e r i o r "
hh
'& %$! "#
M i n i m i z e
a r g m i n
b
f
p ( f )
b
f j g
+3
D e c i s i o n r u l e
b
f = ( g )
\ B a y e s i a n i m a g e p r o c e s s o r "
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 1
8/2/2019 Bayesian and Markov Random Fields
12/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
M o r e o n B a y e s l a w .
p ( f j g) =
p ( g j f ) p ( f )
p ( g )
T h e n u m e r a t o r i s t h e j o i n t p r o b a b i l i t y o f
fa n d
g :
p ( g j f ) p ( f) =
p ( g f ) :
T h e d e n o m i n a t o r i s s i m p l y a n o r m a l i z i n g c o n s t a n t ,
p ( g) =
Z
p ( g f ) d f =
Z
p ( g j f ) p ( f ) d f
. . . i t i s a m a r g i n a l p r o b a b i l i t y f u n c t i o n .
O t h e r n a m e s : u n c o n d i t i o n a l , p r e d i c t i v e , e v i d e n c e .
I n d i s c r e t e c a s e s , r a t h e r t h a n i n t e g r a l w e h a v e a s u m m a t i o n .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 2
8/2/2019 Bayesian and Markov Random Fields
13/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
T h e \ 0 / 1 " l o s s f u n c t i o n
F o r a s c a l a r c o n t i n u o u sf
2 F , e . g . ,F =
I R,
L
"
(f
b
f) =
8
8/2/2019 Bayesian and Markov Random Fields
14/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
T h e \ 0 / 1 " l o s s f u n c t i o n ( c o n t . )
M i n i m i z i n g t h e \ a p o s t e r i o r i " e x p e c t e d l o s s :
"
( g) = a r g m i n
d
Z
F
L
"
(f d
) p ( f j g )d f
= a r g m i n
d
Z
f: j
f;
dj
"
p ( f j g )d f
= a r g m i n
d
1 ;
Z
f: j
f;
dj < "
p ( f j g )d f
!
= a r g m a x
d
Z
d + "
d;
"
p ( f j g )d f
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 4
8/2/2019 Bayesian and Markov Random Fields
15/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
L e t t i n g
"a p p r o a c h z e r o ,
l i m
"! 0
"
( g) = l i m
"! 0
a r g m a x
d
Z
d+
"
d;
"
p ( f j g )d f
= a r g m a x
f
p ( f j g )
M A P
( g )
b
f
M A P
. . . c a l l e d t h e \ m a x i m u m a p o s t e r i o r i " ( M A P ) e s t i m a t o r .
W i t h"
d e c r e a s i n g ,
"
( g) \ l o o k s
f o r " t h e h i g h e s t m o d e o fp ( f j g )
+3
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 5
8/2/2019 Bayesian and Markov Random Fields
16/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
T h e \ 0 / 1 " l o s s f o r a s c a l a r d i s c r e t ef
2 F
L (f
b
f) =
8
8/2/2019 Bayesian and Markov Random Fields
17/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
\ Q u a d r a t i c " l o s s f u n c t i o n
F o r a s c a l a r c o n t i n u o u sf
2 F , e . g . ,F =
I R,
L
f
b
f
=
f ;
b
f
2
M i n i m i z i n g t h e a p o s t e r i o r i e x p e c t e d l o s s ,
P M
( g) = a r g m i n
d
E
h
( f ; d )
2
j g
i
= a r g m i n
d
f E
f
2
j g
| { z }
C o n s t a n t
+ d
2
; 2d E
f j g ] g
= E f j g ]
b
f
P M
. . . t h e \ p o s t e r i o r m e a n " ( P M ) e s t i m a t o r .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 7
8/2/2019 Bayesian and Markov Random Fields
18/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r .
T h e o b s e r v a t i o n m o d e l i s
p ( g j f) =
p(
g
1
g
2
: : : g
n
]
T
j f ) N ( f f : : : f
]
T
2
I )
=
;
2
2
; n = 2
e x p
(
;
1
2
2
n
X
i= 1
( g
i
; f )
2
)
w h e r eI
d e n o t e s a n i d e n t i t y m a t r i x .
T h e p r i o r i s
p ( f) =
;
2
2
; 1
=2
e x p
;
f
2
2
2
N ( 0
2
)
F r o m t h e s e t w o m o d e l s , t h e p o s t e r i o r i s s i m p l y
p ( f j g ) N
g
2
2
n
+
2
n
2
+
1
2
; 1
!
w i t h
g =
g
1
+: : :
+ g
n
n
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 8
8/2/2019 Bayesian and Markov Random Fields
19/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r ( c o n t . ) .
A s s e e n i n t h e p r e v i o u s s l i d e
p ( f j g ) N
g
2
2
n
+
2
n
2
+
1
2
; 1
!
T h e n , s i n c e t h e m e a n a n d t h e m o d e o f a G a u s s i a n c o i n c i d e ,
b
f
M A P
=
b
f
P M
=
g
2
2
n
+
2
t h e e s t i m a t e i s a \ s h r u n k e n " v e r s i o n o f t h e s a m p l e m e a n
g .
I f t h e p r i o r h a d m e a n
, w e w o u l d h a v e
b
f
M A P
=
b
f
P M
=
2
n
+
g
2
2
n
+
2
i . e . , t h e e s t i m a t e i s a w e i g h t e d a v e r a g e o f
a n d
g
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 1 9
8/2/2019 Bayesian and Markov Random Fields
20/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r ( c o n t . ) .
O b s e r v e t h a t
l i m
n! 1
2
n
+
g
2
2
n
+
2
= l i m
n! 1
2
+ n
g
2
2
+n
2
=
g
i . e . , a sn
i n c r e a s e s , t h e d a t a d o m i n a t e s t h e e s t i m a t e .
T h e p o s t e r i o r v a r i a n c e d o e s n o t d e p e n d o n
g ,
E
h
( f ;
b
f )
2
j g
i
=
n
2
+
1
2
; 1
i n v e r s e l y p r o p o r t i o n a l t o t h e d e g r e e o f c o n d e n c e o n t h e e s t i m a t e .
N o t i c e a l s o t h a t
l i m
n! 1
E
h
( f ;
b
f )
2
j g
i
= l i m
n! 1
n
2
+
1
2
; 1
= 0
. . . a sn
! 1 t h e c o n d e n c e o n t h e e s t i m a t e b e c o m e s a b s o l u t e .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 0
8/2/2019 Bayesian and Markov Random Fields
21/143
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
0 50 100 150 200 250 300 350 4000.2
0
0.2
0.4
0.6
0.8
1
1.2
Number of observations
Estimates
Sample meanMAP estimate with 2 = 0.1MAP estimate with 2 = 0.01
0 50 100 150 200 250 300 350 40010
3
102
101
Number of observations
Variances
A posteriori variance, with 2 = 0.1A posteriori variance, with 2 = 0.01
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 1
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
22/143
E x a m p l e : G a u s s i a n m i x t u r e o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r .
\ M i x t u r e " o b s e r v a t i o n m o d e l
p ( g j s) =
p
2
2
e x p
;
( g ; s ; )
2
2
2
+
1 ;
p
2
2
e x p
;
( g ; s )
2
2
2
s
//
/.-,()*++
//
/.-,()*++
//g
8
8/2/2019 Bayesian and Markov Random Fields
23/143
E x a m p l e : G a u s s i a n m i x t u r e o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r ( c o n t . ) .
T h e p o s t e r i o r :
p ( s j g ) / e x p
;
( g ; s ; )
2
2
2
;
s
2
2
2
+ ( 1;
) e x p
;
( g ; s )
2
2
2
;
s
2
2
2
E x a m p l e :
= 0
: 6
2
= 4
2
= 0: 5
g= 0
: 5
+3
4 2 0 2 4 6 80
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
PM
MAP
s
pS(
s|g
=0.5
)
P M = \ c o m p r o m i s e " M A P = l a r g e s t m o d e .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 3
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
24/143
I m p r o p e r p r i o r s a n d \ m a x i m u m l i k e l i h o o d " i n f e r e n c e
R e c a l l t h a t t h e p o s t e r i o r i s c o m p u t e d a c c o r d i n g t o
p ( f j g) =
p ( g j f ) p ( f )
p ( g )
I f t h e M A P c r i t e r i o n i s b e i n g u s e d , a n d
p ( f) =
k ,
b
f
M A P
= a r g m a x
f
p ( g j f ) k
k
Z
p ( g j f ) d f
= a r g m a x
f
p ( g j f )
. . . t h e \ m a x i m u m l i k e l i h o o d " ( M L ) e s t i m a t e .
I n t h e d i s c r e t e c a s e , s i m p l y r e p l a c e t h e i n t e g r a l b y a s u m m a t i o n .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 4
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
25/143
I m p r o p e r p r i o r s a n d m a x i m u m l i k e l i h o o d i n f e r e n c e ( c o n t . )
I f t h e s p a c e t o w h i c h
fb e l o n g s i s u n b o u n d e d , e . g . ,
f 2I R
m
, o r
f 2I N , t h e p r i o r i s \ i m p r o p e r " :
Z
p ( f ) d f =
Z
k df = 1 :
o r
X
p ( f) =
k
X
1 =1 :
I f t h e p o s t e r i o r i s p r o p e r , a l l t h e e s t i m a t e s a r e s t i l l w e l l d e n e d .
I m p r o p e r p r i o r s r e i n f o r c e t h e \ k n o w l e d g e " i n t e r p r e t a t i o n o f
p r o b a b i l i t i e s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 5
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
26/143
C o m p o u n d i n f e r e n c e : I n f e r r i n g a s e t o f u n k n o w n s
N o w ,
fi s a ( s a y ,
m- d i m e n s i o n a l ) v e c t o r ,
f=
f
1
f
2
: : : f
m
]
T
:
L o s s f u n c t i o n s f o r c o m p o u n d p r o b l e m s :
A d d i t i v e : S u c h t h a tL ( f
b
f) =
M
X
i= 1
L
i
( f
i
b
f
i
) .
N o n - a d d i t i v e : T h i s d e c o m p o s i t i o n d o e s n o t e x i s t .
O p t i m a l B a y e s r u l e s a r e s t i l l
b
f
B a y e s
=
B a y e s
( g) = a r g m i n
b
f
Z
L ( f
b
f ) p ( f j g )d f
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 6
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
27/143
C o m p o u n d i n f e r e n c e w i t h n o n - a d d i t i v e l o s s f u n c t i o n s .
T h e r e i s n o t h i n g f u n d a m e n t a l l y n e w i n t h i s c a s e .
T h e \ 0 / 1 " l o s s , f o r a v e c t o r
f( e . g . ,
F =I R
m
) :
L
"
( f
b
f) =
8
8/2/2019 Bayesian and Markov Random Fields
28/143
C o m p o u n d i n f e r e n c e w i t h n o n - a d d i t i v e l o s s f u n c t i o n s ( c o n t . )
T h e q u a d r a t i c l o s s , f o r
f 2I R
m
: L ( f
b
f) = (
f ;
b
f )
T
Q ( f ;
b
f )
w h e r eQ
i s a s y m m e t r i c p o s i t i v e - d e n i t e (m m
) m a t r i x .
M i n i m i z i n g t h e a p o s t e r i o r i e x p e c t e d l o s s ,
P M
( g) = a r g m i n
b
f
E
h
( f ;
b
f )
T
Q ( f ;
b
f ) j g
i
= a r g m i n
b
f
f E
f
T
Q fj g
| { z }
C o n s t a n t
+
b
f
T
Q
b
f ; 2
b
f
T
Q E f j g ] g
= s o l u t i o n o f
n
Q
b
f = Q E f j g ]
o
( Qh a s i n v e r s e )
= E f j g ]
b
f
P M
. . . s t i l l t h e \ p o s t e r i o r m e a n " ( P M ) e s t i m a t o r .
R e m a r k a b l y , t h i s i s t r u e f o r a n y s y m m e t r i c p o s i t i v e - d e n i t e
Q .
S p e c i a l c a s e :Q
i s d i a g o n a l , t h e l o s s f u n c t i o n i s a d d i t i v e .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 8
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
29/143
C o m p o u n d i n f e r e n c e w i t h a d d i t i v e l o s s f u n c t i o n s
R e c a l l t h a t , i n t h i s c a s e ,
L ( f
b
f) =
M
X
i= 1
L
i
( f
i
b
f
i
) .
T h e o p t i m a l B a y e s r u l e
( g )
B a y e s
= a r g m i n
b
f
Z
m
X
i = 1
L
i
( f
i
b
f
i
)
| { z }
L(
f
b
f)
p ( f j g ) d f
= a r g m i n
b
f
m
X
i = 1
Z
L
i
( f
i
b
f
i
) p ( f j g ) d f
= a r g m i n
b
f
m
X
i= 1
Z
L
i
( f
i
b
f
i
)
Z
p ( f j g ) d f
;
i
d f
i
w h e r ed f
;
i
d e n o t e s d f
1
: : : d f
i; 1
d f
i+ 1
: : : d f
m
, t h a t i s , i n t e g r a t i o n w i t h
r e s p e c t t o a l l v a r i a b l e s e x c e p tf
i
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 2 9
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
30/143
C o m p o u n d i n f e r e n c e w i t h a d d i t i v e l o s s f u n c t i o n s ( c o n t . )
F r o m t h e p r e v i o u s s l i d e :
( g )
B a y e s
= a r g m i n
b
f
m
X
i= 1
Z
L
i
( f
i
b
f
i
)
Z
p ( f j g ) d f
;
i
d f
i
B u t ,
Z
p ( f j g ) d f
; i
= p ( f
i
j g) ,
t h e a p o s t e r i o r i m a r g i n a l o f v a r i a b l ef
i
.
T h e n ,
( g )
B a y e s
= a r g m i n
b
f
m
X
i= 1
Z
L
i
( f
i
b
f
i
) p ( f
i
j g )d f
i
,
t h a t i s ,
b
f
i
B a y e s
= a r g m i n
b
f
i
Z
L
i
( f
i
b
f
i
) p ( f
i
j g )d f
i
i= 1
2 : : : m
C o n c l u s i o n : e a c h e s t i m a t e i s t h e m i n i m i z e r o f t h e c o r r e s p o n d i n g
m a r g i n a l a p o s t e r i o r i e x p e c t e d l o s s
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 0
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
31/143
A d d i t i v e l o s s f u n c t i o n s : S p e c i a l c a s e s
T h e a d d i t i v e \ 0 / 1 " l o s s f u n c t i o n :
L ( f
b
f) =
m
X
i = 1
L
i
( f
i
b
f
i
) ,
w h e r e e a c hL
i
( f
i
b
f
i
) i s a \ 0 / 1 " l o s s f u n c t i o n f o r s c a l a r a r g u m e n t s .
A c c o r d i n g t o t h e g e n e r a l r e s u l t ,
b
f
M P M
=
a r g m a x
f
1
p ( f
1
j g) a r g m a x
f
2
p ( f
2
j g ) a r g m a x
f
m
p ( f
m
j g )
T
t h e m a x i m i z e r o f p o s t e r i o r m a r g i n a l s ( M P M ) .
T h e a d d i t i v e q u a d r a t i c l o s s f u n c t i o n :
L ( f
b
f) =
m
X
i= 1
( f
i
;
b
f
i
)
2
= (f ;
b
f )
T
( f ;
b
f) .
T h e g e n e r a l r e s u l t f o r q u a d r a t i c l o s s f u n c t i o n s i s s t i l l v a l i d .
T h i s i s a n a t u r a l f a c t b e c a u s e t h e m e a n i s i n t r i n s i c a l l y m a r g i n a l .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 1
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
32/143
E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r .
O b s e r v a t i o n m o d e l : l i n e a r o p e r a t o r ( m a t r i x ) p l u s a d d i t i v e w h i t e
G a u s s i a n n o i s e :
g =H f
+ n w h e r e
n N ( 0
2
I )
C o r r e s p o n d i n g l i k e l i h o o d f u n c t i o n
p ( g j f) = ( 2
2
)
; n = 2
e x p
;
1
2
2
kH f
; g k
2
G a u s s i a n p r i o r :
p ( f) =
( 2 )
; n = 2
p
d e t (K )
e x p
;
1
2
f
T
K
; 1
f
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 2
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
33/143
E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r ( c o n t . )
T h e a p o s t e r i o r i ( j o i n t ) p r o b a b i l i t y d e n s i t y f u n c t i o n i s s t i l l G a u s s i a n
p ( f j g ) N
b
f P
w i t h
b
fb e i n g t h e M A P a n d P M e s t i m a t e , g i v e n b y
b
f= a r g m i n
f
f
T
2
K
; 1
+ H
T
H
f ; 2 f
T
H
T
g
=
2
K
; 1
+ H
T
H
; 1
H
T
g :
T h i s i s a l s o c a l l e d t h e ( v e c t o r ) W i e n e r l t e r .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 3
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
34/143
E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r s p e c i a l c a s e s .
N o n o i s e : A b s e n c e o f n o i s e,
2
= 0
b
f =
H
T
H
; 1
H
T
g :
= a r g m i n
f
n
kH f
; g k
2
o
H
T
H
; 1
H
T
H
y
i s c a l l e d t h e M o o r e - P e n r o s e p s e u d o
( o r g e n e r a l i z e d)
i n v e r s e o f m a t r i xH .
I f
H
; 1
e x i s t s ,H
y
= H
; 1
I f
Hi s n o t i n v e r t i b l e ,
H
y
p r o v i d e s i t s l e a s t - s q u a r e s s e n s e
p s e u d o - s o l u t i o n .
T h i s e s t i m a t e i s a l s o t h e m a x i m u m l i k e l i h o o d o n e .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 4
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
35/143
E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r s p e c i a l c a s e s .
P r i o r c o v a r i a n c e u p t o a f a c t o r : K=
2
B d i a g o n a l e l e m e n t s o f
B
e q u a l t o 1 .
2
c a n b e s e e n a s t h e \ p r i o r v a r i a n c e " .
K
; 1
= B
; 1
=
2
i s p o s i t i v e d e n i t e)
e x i s t s u n i q u e s y m m e t r i cD
s u c h t h a t D D= D
T
D = B
; 1
.
T h i s a l l o w s w r i t i n g
b
f= a r g m i n
f
k g ;H f
k
2
+
2
2
kD f
k
2
I n r e g u l a r i z a t i o n t h e o r y p a r l a n c e ,
kD f
k
2
i s c a l l e d t h e r e g u l a r i z i n g
t e r m , a n d
2
=
2
t h e r e g u l a r i z a t i o n p a r a m e t e r .
W e c a n a l s o w r i t e
b
f =
2
2
B
; 1
+ H
T
H
; 1
H
T
g
2
=
2
c o n t r o l s t h e r e l a t i v e w e i g h t o f t h e p r i o r a n d t h e d a t a .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 5
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
36/143
S u m m a r y o f w h a t w e h a v e s e e n u p t o t h i s p o i n t
I m a g e a n a l y s i s p r o b l e m s a r e i n f e r e n c e p r o b l e m s
I n t r o d u c t i o n t o B a y e s i a n i n f e r e n c e :
{ F u n d a m e n t a l p r i n c i p l e s : k n o w l e d g e a s p r o b a b i l i t y , l i k e l i h o o d a n d
c o n d i t i o n a l i t y .
{ F u n d a m e n t a l t o o l : B a y e s r u l e .
{ N e c e s s a r y m o d e l s : o b s e r v a t i o n m o d e l , p r i o r , l o s s f u n c t i o n .
{
A p o s t e r i o r i e x p e c t e d l o s s a n d o p t i m a l B a y e s r u l e s .
{ T h e \ 0 / 1 " l o s s f u n c t i o n a n d M A P i n f e r e n c e .
{ T h e q u a d r a t i c e r r o r l o s s f u n c t i o n a n d p o s t e r i o r m e a n e s t i m a t i o n .
{ E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r .
{ E x a m p l e : M i x t u r e o f G a u s s i a n s o b s e r v a t i o n s a n d G a u s s i a n p r i o r .
{ I m p r o p e r p r i o r s a n d m a x i m u m l i k e l i h o o d ( M L ) i n f e r e n c e .
{ C o m p o u n d i n f e r e n c e : a d d i t i v e a n d n o n - a d d i t i v e l o s s f u n c t i o n s .
{ E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h G a u s s i a n p r i o r .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 6
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
37/143
C o n j u g a t e p r i o r s : L o o k i n g f o r c o m p u t a t i o n a l c o n v e n i e n c e
S o m e t i m e s t h e p r i o r k n o w l e d g e i s v a g u e e n o u g h t o a l l o w t r a c t a b i l i t y
c o n c e r n s t o c o m e i n t o p l a y .
I n o t h e r w o r d s : c h o o s e p r i o r s c o m p a t i b l e w i t h k n o w l e d g e , b u t
l e a d i n g t o a t r a c t a b l e a p o s t e r i o r i p r o b a b i l i t y f u n c t i o n .
C o n j u g a t e p r i o r s f o r m a l i z e t h i s g o a l .
A f a m i l y o f l i k e l i h o o d f u n c t i o n s
L = f p ( g j f ) f2 F g
A ( p a r a m e t r i z e d ) f a m i l y o f p r i o r s
P = f p ( f j ) 2 g
P i s a c o n j u g a t e f a m i l y f o rL
, i f
8
8/2/2019 Bayesian and Markov Random Fields
38/143
C o n j u g a t e p r i o r s : A s i m p l e e x a m p l e
T h e f a m i l y o f G a u s s i a n l i k e l i h o o d f u n c t i o n s o f c o m m o n v a r i a n c e
L =
p ( g j f ) N
(f
2
) f
2I R
T h e f a m i l y o f G a u s s i a n p r i o r s o f a r b i t r a r y m e a n a n d v a r i a n c e
P =
p ( f j
2
) N
(
2
) (
2
) 2I R
I R
+
T h e a p o s t e r i o r i p r o b a b i l i t y d e n s i t y f u n c t i o n i s
p ( f j g ) N
2
+g
2
2
+
2
2
2
2
+
2
2 P
V e r y i m p o r t a n t : c o m p u t i n g t h e a p o s t e r i o r i p r o b a b i l i t y f u n c t i o n
o n l y i n v o l v e s \ u p d a t i n g " p a r a m e t e r s o f t h e p r i o r .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 8
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
39/143
C o n j u g a t e p r i o r s : A n o t h e r e x a m p l e
i s t h e ( u n k n o w n ) \ h e a d s " p r o b a b i l i t y o f a g i v e n c o i n .
O u t c o m e s o f a s e q u e n c e o f
nt o s s e s :
x= (
x
1
: : : x
n
) ,x
i
2 f1 0 g .
L i k e l i h o o d f u n c t i o n ( B e r n o u l l i ) , w i t h
n
h
( x) =
x
1
+ x
2
+: : :
+ x
n
,
p ( x j ) =
n
h
(
x)
( 1; )
n;
n
h
(
x)
:
A p r i o r i b e l i e f : \
s h o u l d b e c l o s e t o 1
=2 " .
C o n j u g a t e p r i o r : t h e B e t a d e n s i t y
p ( j
) B e ( ) =
; ( + )
; (
) ; ( )
; 1
( 1; )
; 1
d e n e d f o r 2
0
1 ] a n d > 0 .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 3 9
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
40/143
C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )
M a i n f e a t u r e s o f
Be ( ) :
E j ] =
+
( m e a n )
E
"
;
+
2
#
=
( + )
2
( + + 1 )
( v a r i a n c e )
a r g m a x
p ( j ) =
; 1
+ ; 2
( m o d e , i f > 1 )
\ P u l l " t h e e s t i m a t e t o w a r d s 1
=2 : c h o o s e
= .
T h e q u a n t i t y
= c o n t r o l s \ h o w s t r o n g l y w e p u l l " .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 0
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
41/143
C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )
S e v e r a l B e t a d e n s i t i e s :
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10
0.5
1
1.5
2
2.5
3
3.5
4
Beta prior
= = 1 = = 2 = = 10 = = 0.75
F o r =
1 , q u a l i t a t i v e l y d i e r e n t b e h a v i o r : t h e m o d e a t 1= 2
d i s a p p e a r s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 1
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
42/143
C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )
T h e a p o s t e r i o r i d i s t r i b u t i o n i s a g a i n B e t a
p ( j x
) B e (
+ n
h
( x )
+ n ; n
h
( x) )
B a y e s i a n e s t i m a t e s o f
b
P M
=
P M
( x) =
+ n
h
( x )
+ + n
b
M A P
=
M A P
( x) =
+ n
h
( x ) ; 1
+ + n ; 2
:
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 2
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
43/143
C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )
E v o l u t i o n o f t h e a p o s t e r i o r i d e n s i t i e s , f o r aB
e ( 5
5 ) p r i o r ( d o t t e d l i n e )
a n dB
e ( 1
1 ) a t p r i o r ( s o l i d l i n e ) .
0 0.25 0.5 0.75 10
0.5
1
n=1
0 0.25 0.5 0.75 10
0.5
1
n=5
0 0.25 0.5 0.75 10
0.5
1
n=10
0 0.25 0.5 0.75 10
0.5
1
n=20
0 0.25 0.5 0.75 10
0.5
1
n=50
0 0.25 0.5 0.75 10
0.5
1
n=500
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 3
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
44/143
C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s
ni . i . d . z e r o - m e a n G a u s s i a n o b s e r v a t i o n s o f u n k n o w n v a r i a n c e
2
= 1 =
L i k e l i h o o d f u n c t i o n
f ( x j ) =
n
Y
i= 1
r
2
e x p
;
x
2
i
2
=
2
n
2
e x p
(
;
2
n
X
i= 1
x
2
i
)
:
C o n j u g a t e p r i o r : t h e G a m m a d e n s i t y .
p ( j
) G a ( ) =
; ( )
; 1
e x p f ; g
f o r 2
0 1
) ( r e c a l l
= 1 =
2
) a n d > 0 .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 4
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
45/143
C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s ( c o n t . )
M a i n f e a t u r e s o f t h e G a m m a d e n s i t y :
E j ] =
( m e a n )
E
"
;
2
#
=
2
( v a r i a n c e )
a r g m a x
p ( j ) =
; 1
( m o d e , i f
1 )
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 5
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
46/143
C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s ( c o n t . )
S e v e r a l G a m m a d e n s i t i e s :
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 50
0.2
0.4
0.6
0.8
1
1.2
1.4
Gamma prior
= = 1
= = 2 = = 10 = 62.5, = 25
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 6
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
47/143
C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s ( c o n t . )
A p o s t e r i o r i d e n s i t y :
p ( j x
1
x
2
: : : x
n
) G
a
+
n
2
+
1
2
n
X
i= 1
x
2
i
!
:
T h e c o r r e s p o n d i n g B a y e s i a n e s t i m a t e s
b
P M
=
2
n
+ 1
2
n
+
1
n
n
X
i= 1
x
2
i
!
; 1
b
M A P
=
2
n
+ 1;
2
n
2
n
+
1
n
n
X
i= 1
x
2
i
!
; 1
:
B o t h e s t i m a t e s c o n v e r g e t o t h e M L e s t i m a t e :
l i m
n! 1
b
P M
= l i m
n! 1
b
M A P
=
b
M L
= n
n
X
i= 1
x
2
i
!
; 1
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 7
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
48/143
T h e v o n M i s e s T h e o r e m
A s l o n g a s t h e p r i o r i s c o n t i n u o u s a n d n o t z e r o a t t h e l o c a t i o n o f t h e M L
e s t i m a t e , t h e n , t h e M A P e s t i m a t e c o n v e r g e s t o t h e M L e s t i m a t e a s t h e
n u m b e r o f d a t a p o i n t sn
i n c r e a s e s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 8
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
49/143
B a y e s i a n m o d e l s e l e c t i o n
S c e n a r i o : t h e r e a r e
Km o d e l s a v a i l a b l e , i . e . ,
m2 f
m
1
: : : m
K
g
G i v e n m o d e l
m ,
L i k e l i h o o d f u n c t i o n :p ( g j f
(
m)
m)
P r i o r :p ( f
(
m)
j m )
U n d e r d i e r e n tm
' s ,f
(
m)
m a y h a v e d i e r e n t m e a n i n g s , a n d s i z e s .
A p r i o r i m o d e l p r o b a b i l i t i e s
f p ( m)
m = m
1
: : : m
K
g .
T h e a p o s t e r i o r i p r o b a b i l i t y f u n c t i o n i s
p (m
f
(
m)
j g) =
p ( g j f
( m )
m) p ( f
( m )
m)
p ( g )
=
p ( g j f
( m )
m) p ( f
( m )
j m ) p ( m )
p ( g )
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 4 9
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
50/143
S e e n s t r i c t l y a s a m o d e l s e l e c t i o n p r o b l e m , t h e n a t u r a l l o s s f u n c t i o n
i s t h e \ 0 / 1 " w i t h r e s p e c t t o t h e m o d e l , i . e .
L ( m
f
(
m)
) ( bm
b
f
( b
m)
) ] =
8
8/2/2019 Bayesian and Markov Random Fields
51/143
B a y e s i a n m o d e l s e l e c t i o n
C o m p a r i n g t w o m o d e l s : w h i c h o f
m
1
o rm
2
i s a p o s t e r i o r i m o r e
l i k e l y ?
A n s w e r i s g i v e n b y t h e s o - c a l l e d \ p o s t e r i o r o d d s r a t i o "
p ( m
1
j g )
p ( m
2
j g )
=
p ( g j m
1
)
p ( g j m
2
)
| { z }
\ B a y e s ' f a c t o r "
p ( m
1
)
p ( m
2
)
| { z }
\ p r i o r o d d s r a t i o "
B a y e s ' f a c t o r = e v i d e n c e , p r o v i d e d b y
g, f o r
m
1
v e r s u sm
2
.
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 1
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
52/143
B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e
D o e s a s e q u e n c e o f b i n a r y v a r i a b l e s ( e . g . , c o i n t o s s e s ) c o m e s f r o m t w o
d i e r e n t s o u r c e s ?
O b s e r v a t i o n s :
g=
g
1
: : : g
t
g
t+ 1
: : : g2 t
] , w i t hg
i
2 f0 1 g .
C o m p e t i n g m o d e l s :
m
1
= \ a l lg
i
' s c o m e f r o m t h e s a m e i . i . d . b i n a r y s o u r c e w i t h
P r o b ( 1 ) =
" ( e . g . , s a m e c o i n ) .
m
2
= \ g
1
: : : g
t
] a n d g
t+ 1
: : : g
2
t
] c o m e f r o m t w o d i e r e n t s o u r c e s
w i t h P r o b ( 1 ) =
a n d P r o b ( 1 ) =
, r e s p e c t i v e l y "
( e . g . , t w o c o i n s w i t h d i e r e n t p r o b a b i l i t i e s o f \ h e a d s " ) .
P a r a m e t e r v e c t o r u n d e r
m
1
, f
(
m
1
)
= ]
P a r a m e t e r v e c t o r u n d e rm
2
, f
(
m
2
)
= ]
N o t i c e t h a t w i t h = , m
2
b e c o m e sm
1
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 2
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
53/143
B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )
L i k e l i h o o d f u n c t i o n u n d e r
m
1
:
p ( g j m
1
) =
2
t
Y
i= 1
g
i
( 1; )
1 ;
g
i
=
n(
g)
( 1; )
2
t;
n(
g)
w h e r en ( g
) i s t h e t o t a l n u m b e r o f 1 ' s .
L i k e l i h o o d f u n c t i o n u n d e r
m
2
:
p ( g j m
2
) =
n
1
(
g)
( 1; )
t;
n
1
(
g)
n
2
(
g)
( 1; )
t;
n
2
(
g)
w h e r en
1
( g) a n d
n
2
( g) a r e t h e n u m b e r s o f o n e s i n t h e r s t a n d
s e c o n d h a l v e s o f t h e d a t a , r e s p e c t i v e l y .
N o t i c e t h a t
n
1
( g) +
n
2
( g) =
n ( g) .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 3
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
54/143
B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )
P r i o r u n d e r
m
1
:
p ( j m
1
) = 1
f o r 2
0
1 ]
P r i o r u n d e r
m
2
:
p (
j m
2
) = 1 f o r ( ) 2
0
1 ]
0
1 ]
T h e s e t w o p r i o r s m e a n : \ i n a n y c a s e , w e k n o w n o t h i n g a b o u t t h e
p a r a m e t e r s " .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 4
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
55/143
B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )
E v i d e n c e i n f a v o r o f
m
1
( r e c a l l t h a tp ( j m
1
) = 1 )
p ( m
1
j g) =
Z
1
0
n(
g)
( 1; )
2
t;
n(
g)
d =
( 2t ; n ( g
) ) !n ( g
) !
( 2a
+ 1 ) !
E v i d e n c e i n f a v o r o f
m
2
( r e c a l l t h a tp (
j m
2
) = 1 ) :
p ( m
2
j g) =
Z
1
0
Z
1
0
n
1
(
g)
( 1; )
t;
n
1
(
g)
n
2
(
g)
( 1; )
t;
n
2
(
g)
d d
=
( t ; n
1
( g) !
n
1
( g) !
( t+ 1 ) !
( t ; n
2
( g) !
n
2
( g) !
( t+ 1 ) !
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 5
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
56/143
B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )
D e c i s i o n r e g i o n s f o r a l l p o s s i b l e o u t c o m e s w i t h 2t
= 1 0 0 , a n d
p ( m
1
) =p ( m
2
) = 1=
2 .
n1
n2
m1
(same source)
m2
(two sources)
m2
(two sources)
5 10 15 20 25 30 35 40 45 50
5
10
15
20
25
30
35
40
45
50
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 6
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
57/143
B a y e s i a n m o d e l s e l e c t i o n : A n o t h e r e x a m p l e
S e g m e n t i n g a s e q u e n c e o f b i n a r y i . i . d . o b s e r v a t i o n s :
I s t h e r e a c h a n g e o f m o d e l ? W h e r e ?
0 20 40 60 80 100 1200.2
0
0.2
0.4
0.6
0.8
1
Trials
0 20 40 60 80 100 12010
0
10
20
30
Candidate location
Log
ofBayesfactor
First segmentation
0 10 20 30 40 50 601.5
1
0.5
0
Candidate location
Log
ofBayesfa
ctor
Segmentation of left segment
0 5 10 15 20 25 30 35 40 45 501.5
1
0.5
0
Candidate location
Log
ofBayesfactor
Segmentation of right segment
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 7
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
58/143
M o d e l s e l e c t i o n : S c h w a r z ' s B a y e s i a n i n f e r e n c e c r i t e r i o n ( B I C )
O f t e n , i t i s v e r y d i c u l t / i m p o s s i b l e t o c o m p u t e
p ( g j m) .
B y u s i n g a T a y l o r e x p a n s i o n o f t h e l i k e l i h o o d , a r o u n d t h e M L
e s t i m a t e , a n d f o r a \ s m o o t h e n o u g h " p r i o r , w e h a v e
p ( g j m ) ' p ( g j
b
f
(
m)
m) n
;
d i m ( f
( m )
)
2
B I C (
m )
b
f
( m )
i s t h e M L e s t i m a t e , u n d e r m o d e lm .
d i m (f
(
m)
) = \ d i m e n s i o n o ff
(
m)
u n d e r m o d e lm
" .
ni s t h e s i z e o f t h e o b s e r v a t i o n v e c t o r
g .
L e t u s a l s o l o o k a t
;l o g ( B I C (
m) ) =
;l o g
p ( g j
b
f
(
m)
m ) +
d i m (f
(
m)
)
2
l o gn
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 8
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
59/143
M o d e l s e l e c t i o n : R i s s a n e n ' s m i n i m u m d e s c r i p t i o n l e n g t h
( M D L )
C o n s i d e r a n u n k n o w n
f
(
k)
o f u n k n o w n d i m e n s i o nk .
D a t a i s o b s e r v e d a c c o r d i n g t o
p ( g j f
(
k)
)
F o r e a c h
k( e a c h m o d e l ) ,
p ( f
(
k)
j k) i s c o n s t a n t
i . e . , i fk
w a s k n o w n , w e c o u l d n d t h e M L e s t i m a t e
b
f
(
k)
H o w e v e r ,
ki s u n k n o w n , a n d t h e l i k e l i h o o d i n c r e a s e s w i t h
k :
k
2
> k
1
) p ( g j
b
f
(
k
2
)
) p ( g j
b
f
(
k
1
)
)
C o n c l u s i o n : t h e M L e s t i m a t e o f
ki s : \ a s l a r g e a s p o s s i b l e "
t h i s i s c l e a r l y u s e l e s s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 5 9
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
60/143
M i n i m u m d e s c r i p t i o n l e n g t h ( M D L )
F a c t ( f r o m i n f o r m a t i o n t h e o r y ) : t h e s h o r t e s t c o d e - l e n g t h f o r d a t a
g
g i v e n t h a t i t w a s g e n e r a t e d a c c o r d i n g t op ( g j f
( k )
) i s
L ( g j f
(
k)
) =;
l o g
2
p ( g j f
(
k)
) ( b i t s )
T h e n , f o r a g i v e n
k, l o o k i n g f o r t h e M L e s t i m a t e o f
f
(
k)
i s t h e s a m e
a s l o o k i n g f o r t h e c o d e f o r w h i c hg
h a s t h e s h o r t e s t c o d e - w o r d :
a r g m a x
f
( k )
p ( g j f
(
k)
) = a r g m i n
( k )
;l o g
p ( g j f
(
k)
)
= a r g m i n
f
( k )
L ( g j f
(
k)
)
I f a c o d e i s b u i l t t o t r a n s m i t
g, b a s e d o n
f
(
k)
, t h e nf
(
k)
a l s o h a s t o
b e t r a n s m i t t e d . C o n c l u s i o n : t h e t o t a l c o d e - l e n g t h i s
L ( g f
(
k)
) =L ( g j f
(
k)
) +L ( f
(
k)
)
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 0
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
61/143
M i n i m u m d e s c r i p t i o n l e n g t h ( M D L ) ( c o n t . )
T h e t o t a l c o d e - l e n g t h i s
L ( g f
(
k)
) =;
l o g
2
p ( g j f
(
k)
) +L ( f
(
k)
)
T h e M D L c r i t e r i o n :
(
b
k
b
f
(
b
k)
)
M D L
= a r g m i n
k f
( k )
;l o g
2
p ( g j f
(
k)
) +L ( f
(
k)
)
B a s i c a l l y , t h e t e r m
L ( f
(
k)
) g r o w s w i t hk
c o u n t e r b a l a n c i n g t h e
b e h a v i o r o f t h e l i k e l i h o o d .
F r o m a B a y e s i a n p o i n t o f v i e w , w e h a v e a p r i o r
p ( f
(
k)
) / 2
;
L(
f
( k )
)
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 1
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
62/143
M i n i m u m d e s c r i p t i o n l e n g t h ( c o n t . )
W h a t a b o u t
L ( f
(
k)
) ? I t i s p r o b l e m - d e p e n d e n t .
I f t h e c o m p o n e n t s o f
f
(
k)
a r e r e a l n u m b e r s ( a n d u n d e r c e r t a i n o t h e r
c o n d i t i o n s ) t h e ( a s y m p t o t i c a l l y ) o p t i m a l c h o i c e i s
L ( f
(
k)
) =
k
2
l o gn
w h e r en
i s t h e s i z e o f t h e d a t a v e c t o rg .
I n t e r e s t i n g l y , i n t h i s c a s e M D L c o i n c i d e s w i t h B I C .
I n o t h e r s i t u a t i o n s ( e . g . , d i s c r e t e p a r a m e t e r s ) , t h e r e a r e n a t u r a l
c h o i c e s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 2
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
63/143
M i n i m u m d e s c r i p t i o n l e n g t h : E x a m p l e
F i t t i n g a p o l y n o m i a l o f u n k n o w n d e g r e e :f
(
k+ 1 )
c o n t a i n s t h e c o e c i e n t s
o f ak
- o r d e r p o l y n o m i a l .
O b s e r v a t i o n m o d e l :g
= \ t r u e p o l y n o m i a l p l u s w h i t e G a u s s i a n n o i s e " .
1 0.5 0 0.5 12
4
6
8
10
Order = 2
1 0.5 0 0.5 12
4
6
8
10
Order = 3
1 0.5 0 0.5 12
4
6
8
10
Order = 4
1 0.5 0 0.5 12
4
6
8
10
Order = 6
1 0.5 0 0.5 12
4
6
8
10
Order = 12
1 0.5 0 0.5 12
4
6
8
10
Order = 15
1 0.5 0 0.5 12
4
6
8
10
Order = 20
1 0.5 0 0.5 12
4
6
8
10
Order = 30
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 3
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
M i n i m u m d e s c r i p t i o n l e n g t h : E x a m p l e
8/2/2019 Bayesian and Markov Random Fields
64/143
F i t t i n g a p o l y n o m i a l o f u n k n o w n d e g r e e .
;l o g
p ( g j f
(
k)
) k e e p s g o i n g d o w n , b u t M D L p i c k s t h e r i g h t o r d e r
b
k= 4 .
0 2 4 6 8 10 12 14 16 18 200.2
0.4
0.6
0.8
1
1.2
Polynomial order
loglikeliho
od
0 2 4 6 8 10 12 14 16 18 2030
20
10
0
10
Polynomial order
Descriptionlength
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 4
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
65/143
I n t r o d u c t i o n t o M a r k o v R a n d o m F i e l d s
I m a g e a n a l y s i s p r o b l e m s
,c o m p o u n d i n f e r e n c e p r o b l e m s .
P r i o r
p ( f) f o r m a l i z e s e x p e c t e d j o i n t b e h a v i o r o f e l e m e n t s o f
f .
M a r k o v r a n d o m e l d s : a c o n v e n i e n t t o o l t o w r i t e p r i o r s f o r i m a g e
a n a l y s i s p r o b l e m s .
J u s t a s M a r k o v r a n d o m p r o c e s s e s f o r m a l i z e t e m p o r a l
e v o l u t i o n s / d e p e n d e n c i e s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 5
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
66/143
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
B a s i c g r a p h - t h e o r e t i c c o n c e p t s
Ag r a p h
G= (
N E) i s a c o l l e c t i o n o f n o d e s ( o r v e r t i c e s
)
N = f n
1
n
2
: : : n
j
Nj
g
a n d e d g e sE = f ( n
i
1
n
i
2
) : : :
( n
i
2 j E j ; 1
n
i
2 j E j
)g
N N .
N o t a t i o n :j N j
= n u m b e r o f e l e m e n t s o f s e tN .
W e c o n s i d e r o n l y u n d i r e c t e d g r a p h s , i . e . , t h e e l e m e n t s o f
Ea r e s e e n
a s u n o r d e r e d p a i r s : (n
i
n
j
) ( n
j
n
i
) .
T w o n o d e s
n
1
, n
2
2 Na r e n e i g h b o r s i f t h e c o r r e s p o n d i n g e d g e
e x i s t s , i . e . , i f (n
1
n
2
) 2 E .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 6
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
67/143
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
B a s i c g r a p h - t h e o r e t i c c o n c e p t s ( c o n t . )
A c o m p l e t e g r a p h : a l l n o d e s a r e n e i g h b o r s o f a l l o t h e r n o d e s .
A n o d e i s n o t n e i g h b o r o f i t s e l f n o (
n
i
n
i
) e d g e s a r e a l l o w e d .
N e i g h b o r h o o d o f a n o d e :
N ( n
i
) =f n
j
: (n
i
n
j
) 2 E g .
T h e n e i g h b o r h o o d r e l a t i o n i s s y m m e t r i c a l :
n
j
2 N ( n
i
) , n
i
2 N ( n
j
)
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 7
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
68/143
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
E x a m p l e o f a g r a p h :
'&%$!"#1 '&%$!"#2
'&%$!"#3
'&%$!"#4
'&%$!"#5
'&%$!"#6
N = f 1 2 3 4 5 6 g
E = f( 1
2 )
( 1
3 )
( 2
4 )
( 2
5 )
( 3
6 )
( 5
6 )
( 3
4 )
( 4
5 ) g
N N
N( 1 ) =
f 2 3 g , N( 2 ) =
f 1 4 5 g , N( 3 ) =
f 1 4 6 g, e t c . . .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 8
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
69/143
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
C l i q u e o f
Gi s e i t h e r a s i n g l e n o d e o r a c o m p l e t e s u b g r a p h o f
G .
I n o t h e r w o r d s , a s i n g l e n o d e o r a s u b s e t o f n o d e s t h a t a r e a l l
m u t u a l n e i g h b o r s .
E x a m p l e s o f c l i q u e s f r o m t h e p r e v i o u s g r a p h
'&%$!"#1 '&%$!"#2
'&%$!"#3
'&%$!"#3
'&%$!"#4
'&%$!"#5
S e t o f a l l c l i q u e s ( f r o m t h e s a m e e x a m p l e ) :
C = N E f ( 2
4 5 )
g
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 6 9
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
70/143
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
A l e n g t h -
kp a t h i n
Gi s a n o r d e r e d s e q u e n c e o f n o d e s , (
n
1
n
2
: : : n
k
) ,
s u c h t h a t (n
j
n
j + 1
) 2 E .
E x a m p l e : a g r a p h a n d a l e n g t h - 4 p a t h .
'&%$!"#1
'&%$!"#2
'&%$!"#2
'&%$!"#3
'&%$!"#
4
'&%$!"#
5
'&%$!"#3
'&%$!"#4
'&%$!"#
5
'&%$!"#6
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 0
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
8/2/2019 Bayesian and Markov Random Fields
71/143
L e t
A , B , Cb e t h r e e d i s j o i n t s u b s e t s o f
N .
W e s a y t h a t
Cs e p a r a t e s
Af r o m
Bi f a n y p a t h f r o m a n o d e i n
At o
a n o d e i nB
c o n t a i n s o n e ( o r m o r e ) n o d e i nC .
E x a m p l e , i n t h e g r a p h
'&%$!"#1
'&%$!"#2
'&%$!"#3
'&%$!"#
4
'&%$!"#
5
'&%$!"#6
C = f 1 4 6 gs e p a r a t e s
A = f 3 gf r o m
B = f 2 5 g
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 1
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
8/2/2019 Bayesian and Markov Random Fields
72/143
C o n s i d e r a j o i n t p r o b a b i l i t y f u n c t i o n
p ( f) =
p ( f
1
f
2
: : : f
m
) . .
A s s i g n e a c h v a r i a b l e t o a n o d e o f a g r a p h ,
N = f 1 2 : : : m
g .
W e h a v e \ r a n d o m e l d o n g r a p hN
" .
L e t
f
A
, f
B
, f
C
b e t h r e e d i s j o i n t s u b s e t s o fF
( i . e . ,A , B
, a n dC
a r e
d i s j o i n t s u b s e t s o fN
. I f
p ( f
A
f
B
j f
C
) =p ( f
A
j f
C
) p ( f
B
j f
C
) ( \ Cs e p a r a t e s
Af r o m
B" .
\ p( ) i s g l o b a l M a r k o v " w i t h r e s p e c t t o
N. T h e g r a p h i s c a l l e d a n
\ I- m a p " o f
p ( f )
A n y
p ( f) i s \ g l o b a l M a r k o v " w i t h r e s p e c t t o t h e c o m p l e t e g r a p h .
I f r a t h e r t h a n
(, w e h a v e
,, t h e g r a p h i s c a l l e d a \ p e r f e c t
I- m a p " .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 2
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
G r a p h s a n d r a n d o m e l d s o n g r a p h s .
8/2/2019 Bayesian and Markov Random Fields
73/143
P a i r - w i s e M a r k o v i a n i t y .
P a i r - w i s e M a r k o v i a n i t y :
(i j
) 62 E ) \ f
i
a n df
j
a r e
i n d e p e n d e n t , w h e n c o n d i t i o n e d o n a l l t h e o t h e r v a r i a b l e s " .
P r o o f : s i m p l y n o t i c e t h a t i fi
a n dj
a r e n o t n e i g h b o r s , t h e
r e m a i n i n g n o d e s s e p a r a t ei
f r o mj .
E x a m p l e : i n t h e f o l l o w i n g g r a p h ,
p ( f
1
f
6
j f
2
f
3
f
4
f
5
) =p ( f
1
j f
2
f
3
f
4
f
5
) p ( f
6
j f
2
f
3
f
4
f
5
) .
76540123'&%$!"#f
1
76540123f
2
76540123f 3
}}}}}}}}}
76540123f 4
}}}}}}}}}
76540123f 5
76540123'&%$!"#f
6
}}}}}}}}}
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 3
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
L o c a l M a r k o v i a n i t y .
8/2/2019 Bayesian and Markov Random Fields
74/143
L o c a l M a r k o v i a n i t y :
p ( f
i
f
N = ( f i g N ( i ) )
j f
N ( i )
) =p ( f
i
j f
N ( i )
) p ( f
N = ( f i g N ( i ) )
j f
N ( i )
)
\ g i v e n i t s n e i g h b o r h o o d , a v a r i a b l e i s i n d e p e n d e n t o n t h e r e s t " .
P r o o f : N o t i c e t h a tN ( f
i
) s e p a r a t e sf
i
f r o m t h e r e s t o f t h e g r a p h .
E q u i v a l e n t f o r m ( b e t t e r k n o w n i n t h e M R F l i t e r a t u r e ) :
p ( f
i
j f
N =f
ig
) =p ( f
i
j f
N(
i)
)
P r o o f : d i v i d e t h e a b o v e e q u a l i t y b yp ( f
N =( f
ig
N(
i) )
j f
N(
i)
) :
p ( f
i
f
N =( f
ig
N(
i) )
j f
N(
i)
)
p ( f
N =( f
ig
N(
i) )
j f
N(
i)
)
= p ( f
i
j f
N ( i )
)
p ( f
i
j f
N =f
ig
) =p ( f
i
j f
N(
i)
)
b e c a u s e N = ( f i
g N ( i
) ) ] N ( i
) =N = f i g .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 4
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
H a m m e r s l e y - C l i f o r d t h e o r e m
8/2/2019 Bayesian and Markov Random Fields
75/143
C o n s i d e r a r a n d o m e l dF
o n a g r a p hN
, s u c h t h a tp ( f ) >
0 .
a ) I f t h e e l dF
h a s t h e l o c a l M a r k o v p r o p e r t y , t h e np ( f
) c a n b e w r i t t e n
a s a G i b b s d i s t r i b u t i o n
p ( f) =
1
Z
e x p
(
;
X
C2 C
V
C
( f
C
)
)
w h e r eZ
, t h e n o r m a l i z i n g c o n s t a n t , i s c a l l e d t h e p a r t i t i o n f u n c t i o n.
T h e f u n c t i o n sV
C
( ) a r e c a l l e d c l i q u e p o t e n t i a l s . T h e n e g a t i v e o f t h e
e x p o n e n t i s c a l l e d e n e r g y.
b ) I fp ( f
) c a n b e w r i t t e n i n G i b b s f o r m f o r t h e c l i q u e s o f s o m e g r a p h ,
t h e n i t h a s t h e g l o b a l M a r k o v p r o p e r t y .
F u n d a m e n t a l c o n s e q u e n c e : a M a r k o v r a n d o m e l d c a n b e s p e c i e d v i a
t h e c l i q u e p o t e n t i a l s .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 5
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
76/143
H a m m e r s l e y - C l i f o r d t h e o r e m ( c o n t . )
C o m p u t i n g t h e l o c a l M a r k o v i a n c o n d i t i o n a l s f r o m t h e c l i q u e
p o t e n t i a l s
p ( f
i
j f
N(
i)
) =
1
Z ( f
N(
i)
)
e x p
(
;
X
C:
i2
C
V
C
( f
C
)
)
N o t i c e t h a t t h e n o r m a l i z i n g c o n s t a n t m a y d e p e n d o n t h e
n e i g h b o r h o o d s t a t e .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 6
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
77/143
R e g u l a r r e c t a n g u l a r l a t t i c e s
L e t u s n o w f o c u s o n r e g u l a r r e c t a n g u l a r l a t t i c e s
.
N = f (i j
) i = 1 : : : M j = 1 : : : N
g
A h i e r a r c h y n e i g h b o r h o o d s y s t e m s :
N
0
(i j ) = f g , z e r o - o r d e r ( e m p t y n e i g h b o r h o o d s )
N
1
(i j ) =
f (k l
) ( i ; k )
2
+ (j ; l )
2
1 g, o r d e r - 1 ( 4 n e a r e s t
n e i g h b o r s )
N
2
(i j ) =
f (k l
) ( i ; k )
2
+ (j ; l )
2
2 g, o r d e r - 2 ( 8 n e a r e s t
n e i g h b o r s )
e t c . . .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 7
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
R e g u l a r r e c t a n g u l a r l a t t i c e s
8/2/2019 Bayesian and Markov Random Fields
78/143
I l l u s t r a t i o n o f r s t o r d e r n e i g h b o r h o o d s y s t e m :
i; 1 j ; 1
i; 1 j i ; 1 j + 1
i j ; 1 i j 1 j + 1
i+ 1 j ; 1
i+ 1 j i + 1 j + 1
N
1
(i j ) =
f(
i; 1 j )
( i j ; 1 )
( i j + 1 )
(
i+ 1 j )
g( 4 n e a r e s t n e i g h b o r s ) .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 8
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
R e g u l a r r e c t a n g u l a r l a t t i c e s
8/2/2019 Bayesian and Markov Random Fields
79/143
I l l u s t r a t i o n o f s e c o n d o r d e r n e i g h b o r h o o d s y s t e m :
i; 1 j ; 1
ssss
sssss
i; 1 j
ssss
sssss
i; 1 j + 1
i j ; 1
ssssss
sss
i j
sssss
ssss
1 j + 1
i+ 1 j ; 1
i+ 1 j
i+ 1 j + 1
N
2
(i j ) =
f(
i; 1 j ; 1 )
(
i; 1 j )
(
i; 1 j + 1 )
( i j ; 1 )
( i j + 1 )
(
i+ 1 j ; 1 )
(
i+ 1 j )
(
i+ 1 j + 1 )
g
( 8 n e a r e s t n e i g h b o r s ) .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 7 9
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
80/143
R e g u l a r r e c t a n g u l a r l a t t i c e s
C l i q u e s o f a r s t o r d e r n e i g h b o r h o o d s y s t e m : a l l s i n g l e n o d e s p l u s a l l
s u b g r a p h s o f t h e t y p e s
i; 1 j
i j ; 1 i j i j
N o t a t i o n :
C
k
= \ s e t o f a l l c l i q u e s f o r t h e o r d e r -k
n e i g h b o r h o o d s y s t e m " .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 8 0
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
R e g u l a r r e c t a n g u l a r l a t t i c e s
8/2/2019 Bayesian and Markov Random Fields
81/143
C l i q u e s o f a s e c o n d o r d e r n e i g h b o r h o o d :C
1
p l u s a l l s u b g r a p h s o f t h e
t y p e s
i; 1 j i ; 1 j
qqqq
qqqq
i j ; 1
i j i j i j + 1i
; 1 j ; 1
ssss
sss
ssi
; 1 j
i j; 1
qqqq
qqqq
i j i j i j+ 1
i j; 1
i j
i+ 1 j i + 1 j
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 8 1
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
82/143
A u t o - m o d e l s
O n l y p a i r - w i s e i n t e r a c t i o n s .
I n t e r m s o f c l i q u e p o t e n t i a l s :
j C j > 2 ) V
C
( ) = 0 .
T h e s e a r e t h e s i m p l e s m o d e l s , b e y o n d s i t e i n d e p e n d e n c e .
E v e n f o r l a r g e n e i g h b o r h o o d s , w e c a n d e n e a n a u t o - m o d e l .
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 8 2
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
G a u s s - M a r k o v R a n d o m F i e l d s ( G M R F )
8/2/2019 Bayesian and Markov Random Fields
83/143
J o i n t p r o b a b i l i t y d e n s i t y f u n c t i o n ( f o r z e r o m e a n )
p ( f) =
p
d e t (A )
( 2 )
m = 2
e x p
;
1
2
f
T
A f
T h e q u a d r a t i c f o r m i n t h e e x p o n e n t c a n b e w r i t t e n a s
f
T
A f=
m
X
i= 1
m
X
j= 1
f
i
f
j
A
i j
r e v e a l i n g t h a t t h i s i s a n a u t o - m o d e l ( t h e r e a r e o n l y p a i r - w i s e t e r m s ) .
M a t r i x
A( t h e p o t e n t i a l m a t r i x , i n v e r s e o f t h e c o v a r i a n c e m a t r i x )
d e t e r m i n e s t h e n e i g h b o r h o o d s y s t e m :
i 2 N ( j ) , A
i j
6= 0
M a r i o A . T . F i g u e i r e d o
I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l
P a g e 8 3
B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A
8/2/2019 Bayesian and Markov Random Fields
84/143
N o t i c e t h a t t o b e a v a l i d p o t e n t i a l m a t r i x ,A
h a s t o b e s y m m e t r i c ,
t h u s r e s p e c t i n g t h e s y m m e t r y o f n e i g h b o r h o o d r e l a t i o n s .
M a r i o A . T . F i g u e i