| 第879行: |
第879行: |
| | | | |
| | === 广义信息分解 === | | === 广义信息分解 === |
| − | (增补内容)
| + | 广义信息分解(GID)是一种基于Kullback-Leibler散度的信息分解框架,由Varley于2024年提出,旨在放松部分信息分解(PID)中“输入-输出”结构的限制,实现对任意概率分布间信息差异的精细化分解。 |
| | + | |
| | + | 核心思想:GID将KL散度表示为局部熵差的期望: |
| | + | |
| | + | <math>[DKL(P∥Q)=EP(X)[hQ(x)−hP(x)]</math> |
| | + | |
| | + | 结合可局部化的部分熵分解(PED),可定义每个部分熵原子的部分KL散度: |
| | + | |
| | + | <math>DKLP∥Q(α)=EP(X)[hQ(α)−hP(α)]</math> |
| | + | |
| | + | 从而将总KL散度分解为所部分熵原子的和: |
| | + | |
| | + | <math>D_KL(P∥Q)= α∈A∑D KLP∥Q(α)</math> |
| | + | |
| | + | PID是GID的一个特例,当将互信息表达为<math>I(X;Y)=DKL(P(X∣Y)∥P(X))</math> 时,GID退化为标准PID。此外,GID可通过PED构造,而PED本身也是PID在“部分-整体”信息分解中的特殊情形。 |
| | | | |
| | === 整合信息分解(ΦID) === | | === 整合信息分解(ΦID) === |