1、MM 算法:
MM算法是一种迭代优化方法,利用函数的凸性来寻找它们的最大值或最小值。 MM表示 “majorize-minimize MM 算法” 或“minorize maximize MM 算法”,取决于需要的优化是最大化还是最小化。 MM本身不是算法,而是一种如何构造优化算法的描述。
MM算法的思想是不直接对目标函数求最优化解,转而找到一个目标函数的替代函数,对这个替代函数求解。每迭代一次,根据所求解构造用于下一次迭代的新的替代函数,然后对新的替代函数最优化求解得到下一次迭代的求解。通过多次迭代,可以得到越来越接近目标函数最优解的解。
(1)目标函数最小化问题:
此时,MM算法具体为 majorize-minimize MM 算法。思想是,每次迭代找到一个目标函数的上界函数,求上界函数的最小值。
(2)目标函数最大化问题:
此时,MM算法具体为 minorize maximize MM 算法。思想是,每次迭代找到一个目标函数的下界函数,求下界函数的最大值。
2、EM 算法:
EM算法是机器学习中常用到的优化算法。EM算法可以被看作是MM算法的一个特例。
然而,在EM算法中通常涉及到条件期望值,而在MM算法中,凸性和不等式是主要的焦点,并且在大多数情况下更容易理解和应用。
EM 算法的目标是:找到具有潜在变量(隐含变量)的模型的最大似然解。
【Reference】
1. A Tutorial on MM Algorithms. David R Hunter &Kenneth Lange
2. MM algorithms for generalized Bradley-Terry models. David R. Hunter (A Psychological Model for Consumption Prediction cites it)
3. Wiki :MM algorithm