“讨论:NIS+”的版本间的差异
跳到导航
跳到搜索
| 第14行： | 第14行： | ||
PLL：师兄，这个引理在附录里面没有命名，要不您在起一个？ | PLL：师兄，这个引理在附录里面没有命名，要不您在起一个？ | ||
| + | |||
| + | YMZ：用这个名字吧，“编码器的信息瓶颈” | ||
=机器学习算法= | =机器学习算法= | ||
2024年8月15日 (四) 09:36的版本
NIS+ 数学推导
要分别有一段文字，介绍为什么我们需要变分下界和通用逼近定理这两个定理及其证明。
PLL：加入：（这样写可不可以？）
式1中，数学形式是一个泛函问题，无法直接进行优化，学者将通过计算变分下界解决泛函问题。同时，在NIS+框架中，学者使用了编码器将p维的输入数据进行粗粒化，得到q维的宏观数据，下面编码器的通用逼近定理将证明编码器的可以近似粗粒化函数。
YMZ：我稍微改了一下，OK了。
编码器的通用逼近定理
这里的引理要和之前格式一样哦。
PLL：师兄，这个引理在附录里面没有命名，要不您在起一个？
YMZ：用这个名字吧，“编码器的信息瓶颈”
机器学习算法
样本重加权
现在直接就讲怎么做的了，还是要在这之前介绍一下为什么需要样本重加权，提及它在因果机器学习或因果推断领域中的发展，尤其是把它和前面数学推导出来的w相联系。
PLL：已改，师兄看看我理解对不对？