27 using namespace shogun;
28 using namespace Eigen;
31 #define CREATE_SGVECTOR(vec, len, sg_type) \
33 if (!vec.vector || vec.vlen!=len) \
34 vec=SGVector<sg_type>(len); \
38 #define CREATE_SGMATRIX(mat, rows, cols, sg_type) \
40 if (!mat.matrix || mat.num_rows!=rows || mat.num_cols!=cols) \
41 mat=SGMatrix<sg_type>(rows, cols); \
60 void CEPInferenceMethod::init()
144 if (m_ttau.
vlen!=n || m_nlZ>nlZ0)
183 while ((
CMath::abs(m_nlZ-nlZ_old)>m_tol && sweep<m_max_sweep) ||
197 tau_n[i]=1.0/m_Sigma(i,i)-m_ttau[i];
198 nu_n[i]=m_mu[i]/m_Sigma(i,i)+mean[i]*tau_n[i]-m_tnu[i];
201 mu_n[i]=nu_n[i]/tau_n[i];
202 s2_n[i]=1.0/tau_n[i];
216 m_tnu[i]=mu/s2-nu_n[i];
224 Map<VectorXd> eigen_tnu(m_tnu.vector, m_tnu.vlen);
225 Map<VectorXd> eigen_mu(m_mu.
vector, m_mu.
vlen);
227 VectorXd eigen_si=eigen_Sigma.col(i);
230 eigen_Sigma=eigen_Sigma-ds2/(1.0+ds2*eigen_si(i))*eigen_si*
234 eigen_mu=eigen_Sigma*eigen_tnu;
246 if (sweep==m_max_sweep)
247 SG_WARNING(
"Maximum number of sweeps reached")
260 Map<VectorXd> eigen_tnu(m_tnu.
vector, m_tnu.
vlen);
261 Map<VectorXd> eigen_sttau(m_sttau.
vector, m_sttau.
vlen);
269 VectorXd eigen_v=eigen_L.triangularView<Upper>().adjoint().solve(
271 eigen_v=eigen_L.triangularView<Upper>().solve(eigen_v);
276 eigen_alpha=eigen_tnu-eigen_sttau.cwiseProduct(eigen_v);
283 Map<VectorXd> eigen_sttau(m_sttau.
vector, m_sttau.
vlen);
292 LLT<MatrixXd> eigen_chol((eigen_sttau*eigen_sttau.adjoint()).cwiseProduct(
296 eigen_L=eigen_chol.matrixU();
304 Map<VectorXd> eigen_sttau(m_sttau.
vector, m_sttau.
vlen);
312 MatrixXd eigen_V=eigen_L.triangularView<Upper>().adjoint().solve(
326 Map<VectorXd> eigen_tnu(m_tnu.
vector, m_tnu.
vlen);
330 Map<VectorXd> eigen_mu(m_mu.
vector, m_mu.
vlen);
333 eigen_mu=eigen_Sigma*eigen_tnu;
341 Map<VectorXd> eigen_mu(m_mu.
vector, m_mu.
vlen);
342 Map<VectorXd> eigen_tnu(m_tnu.
vector, m_tnu.
vlen);
343 Map<VectorXd> eigen_ttau(m_ttau.
vector, m_ttau.
vlen);
350 VectorXd eigen_tau_n=(VectorXd::Ones(m_ttau.
vlen)).cwiseQuotient(
351 eigen_Sigma.diagonal())-eigen_ttau;
354 VectorXd eigen_nu_n=eigen_mu.cwiseQuotient(eigen_Sigma.diagonal())-
355 eigen_tnu+eigen_m.cwiseProduct(eigen_tau_n);
359 Map<VectorXd> eigen_mu_n(mu_n.
vector, mu_n.
vlen);
361 eigen_mu_n=eigen_nu_n.cwiseQuotient(eigen_tau_n);
365 Map<VectorXd> eigen_s2_n(s2_n.
vector, s2_n.
vlen);
367 eigen_s2_n=(VectorXd::Ones(m_ttau.
vlen)).cwiseQuotient(eigen_tau_n);
373 float64_t nlZ_part1=eigen_L.diagonal().array().
log().sum()-lZ-
374 (eigen_tnu.adjoint()*eigen_Sigma).dot(eigen_tnu)/2.0;
377 float64_t nlZ_part2=(eigen_tnu.array().square()/
378 (eigen_tau_n+eigen_ttau).array()).sum()/2.0-(1.0+eigen_ttau.array()/
379 eigen_tau_n.array()).log().sum()/2.0;
383 float64_t nlZ_part3=-(eigen_nu_n-eigen_m.cwiseProduct(eigen_tau_n)).dot(
384 ((eigen_ttau.array()/eigen_tau_n.array()*(eigen_nu_n.array()-
385 eigen_m.array()*eigen_tau_n.array())-2*eigen_tnu.array())/
386 (eigen_ttau.array()+eigen_tau_n.array())).matrix())/2.0;
389 m_nlZ=nlZ_part1+nlZ_part2+nlZ_part3;
396 Map<VectorXd> eigen_sttau(m_sttau.
vector, m_sttau.
vlen);
404 MatrixXd V=eigen_L.triangularView<Upper>().adjoint().solve(
405 MatrixXd(eigen_sttau.asDiagonal()));
406 V=eigen_L.triangularView<Upper>().solve(V);
409 eigen_F=eigen_alpha*eigen_alpha.adjoint()-eigen_sttau.asDiagonal()*V;
415 REQUIRE(!strcmp(param->
m_name,
"scale"),
"Can't compute derivative of "
416 "the nagative log marginal likelihood wrt %s.%s parameter\n",
425 result[0]=-(eigen_F.cwiseProduct(eigen_K)*
m_scale*2.0).
sum()/2.0;
449 "Length of the parameter %s should not be NULL\n", param->
m_name)