5,443
个编辑
更改
跳到导航
跳到搜索
第138行：
第138行： − 第148行：
第147行： − 第161行：
第159行： −
→基于NIS框架的有效信息计算
p(Y|X) = Π_{i=1}^m (1 / (2b_i)) * exp(-|y_i - μ_i(X)| / b_i),
p(Y|X) = Π_{i=1}^m (1 / (2b_i)) * exp(-|y_i - μ_i(X)| / b_i),
其中 b_i 为第 i 维输出的尺度参数。
其中 b_i 为第 i 维输出的尺度参数。
==== 计算雅可比矩阵 ====
==== 计算雅可比矩阵 ====
行列式 det(∂_X μ(X)) 反映输入变化对输出的整体影响强度。
行列式 det(∂_X μ(X)) 反映输入变化对输出的整体影响强度。
若行列式在所有输入点均为零，则EI为零（网络无法区分不同输入）。
若行列式在所有输入点均为零，则EI为零（网络无法区分不同输入）。
==== NIS框架下的有效信息计算公式 ====
==== NIS框架下的有效信息计算公式 ====
E[ln |det(∂_X μ)|]为敏感度增益。雅可比行列式对数的期望值，衡量网络对输入变化的全局敏感性。行列式绝对值越大，EI越高。
E[ln |det(∂_X μ)|]为敏感度增益。雅可比行列式对数的期望值，衡量网络对输入变化的全局敏感性。行列式绝对值越大，EI越高。
==== 蒙特卡洛采样实现期望计算 ====
==== 蒙特卡洛采样实现期望计算 ====