更改
跳到导航
跳到搜索
←上一编辑
下一编辑→
因果涌现
(查看源代码)
2024年8月22日 (四) 13:57的版本
添加90字节
、
2024年8月22日 (星期四)
→神经信息压缩方法
第286行:
第286行:
−
这里,[math]\mathcal{J}[/math]为维度平均的EI(参见[[有效信息]]词条),
<math>q </math>为粗粒化后的宏观态维度,
<math>\mathrm{\phi} </math>为粗粒化策略函数,<math>f_{q} </math>为宏观动力学,[math]\hat{X}_{t+1}[/math]整个框架对t+1时刻的微观态的预测,这一预测是将t+1时刻的宏观态预测[math]\hat{Y}_{t+1}[/math]进行反粗粒化操作([math]\phi^{\dagger}[/math]为反粗粒化函数)做出的;这里[math]\hat{Y}_{t+1}\equiv f_q(Y_t)[/math]为动力学学习器根据t时刻的宏观态[math]Y_t[/math]对t+1时刻宏观态的预测,其中[math]Y_t\equiv \phi(X_t)[/math]为t时刻的宏观态,它是对[math]X_t[/math]进行粗粒化[math]\phi[/math]而得来。最后,将[math]\hat{X}_{t+1}[/math]与真实的微观态数据[math]X_{t+1}[/math]进行求差比较,即得到微观的预测误差。
+
这里,[math]\mathcal{J}[/math]为维度平均的EI(参见[[有效信息]]词条),<math>\mathrm{\phi} </math>为粗粒化策略函数,<math>f_{q} </math>为宏观动力学,
<math>q </math>为粗粒化后的宏观态维度,
[math]\hat{X}_{t+1}[/math]整个框架对t+1时刻的微观态的预测,这一预测是将t+1时刻的宏观态预测[math]\hat{Y}_{t+1}[/math]进行反粗粒化操作([math]\phi^{\dagger}[/math]为反粗粒化函数)做出的;这里[math]\hat{Y}_{t+1}\equiv f_q(Y_t)[/math]为动力学学习器根据t时刻的宏观态[math]Y_t[/math]对t+1时刻宏观态的预测,其中[math]Y_t\equiv \phi(X_t)[/math]为t时刻的宏观态,它是对[math]X_t[/math]进行粗粒化[math]\phi[/math]而得来。最后,将[math]\hat{X}_{t+1}[/math]与真实的微观态数据[math]X_{t+1}[/math]进行求差比较,即得到微观的预测误差。
+
+
整个优化框架如下图所示:
+
+
[[文件:NIS Optimization.png|NIS的优化框架]]
这一优化问题的目标函数为EI,它是函数[math]\phi,\hat{f}_q,\phi^{\dagger}[/math]的泛函(这里宏观维度[math]q[/math]是超参),因此较难优化,我们需要使用机器学习的方法来尝试解决。
这一优化问题的目标函数为EI,它是函数[math]\phi,\hat{f}_q,\phi^{\dagger}[/math]的泛函(这里宏观维度[math]q[/math]是超参),因此较难优化,我们需要使用机器学习的方法来尝试解决。
Jake
642
个编辑
导航菜单
个人工具
登录
名字空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
集智百科
集智主页
集智斑图
集智学园
最近更改
所有页面
帮助
工具
特殊页面
可打印版本