225
个编辑
更改
跳到导航
跳到搜索
第635行：
第635行： + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
→随机映射系统
</math>是正整数。只存在观测噪声的情况下，EI可以推广为以下形式：
</math>是正整数。只存在观测噪声的情况下，EI可以推广为以下形式：
<math>EI\approx \ln\left(\frac{L^n}{(2\pi e)^{m/2}}\right)+\frac{1}{2}\mathbb{E}_{\mathbf{x}\sim U ([-\frac{L}{2},\frac{L}{2}]^n)}\ln\left|\det\left(\frac{\partial_\mathbf{x} f(\mathbf{x})}{\Sigma^{1/2}}\right)\right|^2,
</math>
其中<math>\Sigma
</math>是高斯噪声<math>\varepsilon
</math>的协方差矩阵，<math>U([-L，L]^n)
</math>表示超立方体<math>[-L，L]^n
</math>上的均匀分布，<math>|\cdot|
</math>是绝对值运算，<math>\det
</math>是行列式。
为了将信息几何推广到具有干预噪声和观测噪声的情况，需要引入一个新的维度为<math>l
</math>的中间变量<math>\theta\subset\mathcal{R}^l
</math>，使得我们不能通过直接干预<math>\mathbf{x}
</math>来控制<math>\mathbf{y}
</math>。相反，我们可以干预<math>\mathbf{x}
</math>以影响<math>\theta
</math>并间接影响<math>\mathbf{y}
</math>。因此，这三个变量形成了一个马尔可夫链：<math>\mathbf{x}\to\theta\to\mathbf{y}
</math>。
在这种情况下，可以获得两个流形：效应流形<math>\mathcal{M}_E=\{p(\mathbf{y}|\theta)\}_{\theta}
</math>$$，度量为<math>g_{\mu\nu}=-\mathbb{E}_{p(\mathbf{y}|\theta)}\partial_{\mu}\partial_{\nu}\ln p(\mathbf{y}|\theta)
</math>；干预流形<math>\mathcal{M}_I=\{\tilde{q}(\mathbf{x}|\theta)\}_{\theta\in \Theta}
</math>，度量为<math>h_{\mu\nu}=-\mathbb{E}_{\tilde{q}(\mathbf{x}|\theta)}\partial_{\mu}\partial_{\nu}\ln \tilde{q}(\mathbf{x}|\theta)
</math>。其中<math>\tilde{q}\equiv \frac{q(\theta|\mathbf{x})}{\int q(\theta|\mathbf{x})d\mathbf{x}}
</math>，<math>\partial_{\mu}=\partial/\partial \theta_{\mu}
</math>。效应和干预两个流形合在一起称为因果几何。
因果几何的EI计算公式为:
<math>EI_g=\ln\frac{V_I}{(2\pi e)^{n/2}}-\frac{1}{2V_I}\int_\Theta\sqrt{|\det(h_{\mu\nu})|} \ln\left|\det\left( I_n+\frac{h_{\mu\nu}}{g_{\mu\nu}}\right)\right|d^l\theta,
</math>
==随机迭代系统==
==随机迭代系统==
对于形如
对于形如