1,177
个编辑
更改
跳到导航
跳到搜索
第574行：
第574行： + +
→前馈神经网络
# 当<math>det(\partial_{x'}f(x))\neq0</math>:
# 当<math>det(\partial_{x'}f(x))\neq0</math>:
<math>\begin{gathered}EI(f)=I(do(x\sim U([-L,L]^n));y)\approx-\frac{n+n\ln(2\pi)+\sum_{i=1}^nln\sigma_i^2}2+n\ln(2L)+\operatorname{E}_{x\sim U([-L,L]^n)}(ln|\det(\partial_{x^{\prime}}f(x)))|)\end{gathered} </math>
<math>\begin{gathered}EI(f)=I(do(x\sim U([-L,L]^n));y)\approx-\frac{n+n\ln(2\pi)+\sum_{i=1}^nln\sigma_i^2}2+n\ln(2L)+\operatorname{E}_{x\sim U([-L,L]^n)}(ln|\det(\partial_{x^{\prime}}f(x)))|)\end{gathered} </math>
其中<math>U\left(\left[-L, L\right]^n\right) </math>表示范围在<math>\left[-L ,L\right] </math>上的<math>n </math>维均匀分布，<math>\sigma_i </math>是输出<math>y_i </math>的标准差，可以通过<math>y_i </math>的均方误差来估计，<math>det </math>表示函数<math>f </math>的雅可比行列式
=EI与其它相关主题=
=EI与其它相关主题=