5,443
个编辑
更改
跳到导航
跳到搜索
第137行：
第137行： − - <math>\mu(X)</math> 为神经网络实现的映射函数。+ − - <math>\frac{\partial \mu}{\partial X}</math> 表示雅可比矩阵。+ − - <math>\sigma_i^2</math> 是高斯分布的方差，反映预测不确定性。+ − - <math>n</math> 和 <math>m</math> 分别表示输入与输出维度。+ − - <math>L</math> 是输入变量的取值范围。+ − + 第155行：
第155行： − + − L = \sum_t ||\hat{x}_{t+1} - x_{t+1}||_l − </math>
→有效信息计算方法
公式中：
公式中：
<math>\mu(X)</math> 为神经网络实现的映射函数。
<math>\frac{\partial \mu}{\partial X}</math> 表示雅可比矩阵。
<math>\sigma_i^2</math> 是高斯分布的方差，反映预测不确定性。
<math>n</math> 和 <math>m</math> 分别表示输入与输出维度。
<math>L</math> 是输入变量的取值范围。
为了避免高维度对EI计算的影响，NIS框架引入了维度归一化有效信息（Dimension Averaged Effective Information, dEI）**。其定义为：
为了避免高维度对EI计算的影响，NIS框架引入了维度归一化有效信息（Dimension Averaged Effective Information, dEI）。其定义为：
<math>
<math>
通过最小化预测误差约束粗粒化策略，目标函数为：
通过最小化预测误差约束粗粒化策略，目标函数为：
<math>
<math>L = \sum_t ||\hat{x}_{t+1} - x_{t+1}||_l</math>
其中，<math>||\cdot||_l</math> 表示 <math>l</math>-范数，通常选择二次误差。
其中，<math>||\cdot||_l</math> 表示 <math>l</math>-范数，通常选择二次误差。