5,443
个编辑
更改
无编辑摘要
<math>-\frac{m}{2} \left(1 + \ln(2\pi)\right)</math> 为输出维度惩罚。输出维度 <math>m</math> 越高，信息分散到更多维度，EI降低。
<math>-\frac{m}{2} \left(1 + \ln(2\pi)\right)</math> 为输出维度惩罚。输出维度 <math>m</math> 越高，信息分散到更多维度，EI降低。
<math>-\frac{1}{2} \sum_{i=1}^m \ln(\sigma_i^2)</math> 为噪声惩罚。噪声标准差 <math>\sigma_i</math> 越大，输出不确定性越高，EI降低。
<math>-\frac{1}{2} \sum_{i=1}^m \ln(\sigma_i^2)</math> 为噪声惩罚。噪声标准差 <math>\sigma_i</math> 越大，输出不确定性越高，EI降低。
<math>\mathbb{E}[\ln |\det(\partial_X \mu)|]</math> 为敏感度增益。(<math>n=m</math>可求雅可比行列式值，若不等求其广义行列式)其中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。
<math>\mathbb{E}[\ln |\det(\partial_X \mu)|]</math> 为敏感度增益。其中雅可比行列式对数的期望值(<math>n=m</math>可直接求，若不等求其广义行列式)，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====