← 全部问题互信息的 KL 散度表达式如何展开为求和？
通过应用离散 KL 散度的标准定义来展开 KL 散度表达式。通过设置
P=p(x,y) 和
Q=p(x)p(y)，散度变为在联合支持集上对所有对
(x,y) 求和，即联合概率乘以联合概率与边际乘积之比对数的和。
适用条件
- 推导适用于使用概率质量函数的离散分布。
- 展开的求和中没有明确说明对数的底数，尽管前面的熵使用了以 2 为底。
- 比率形式要求在求和支持集上 p(x,y)>0 且 p(x)p(y)>0。
理解与推导
- 从 KL 散度公式 DKL(P∣∣Q) 开始。
- 代入 P=p(x,y) 和 Q=p(x)p(y)。
- 应用离散求和定义：∑x,yP(x,y)logQ(x,y)P(x,y)。
- 写出展开形式：∑x,yp(x,y)logp(x)p(y)p(x,y)。
例子
视频显示了展开式：=∑x,yp(x,y)logp(x)p(y)p(x,y)，旁白将其解释为真实联合分布与独立参考定律之间的联合加权平均对数比。
容易误解的地方
- 假设求和仅针对 x 或仅针对 y；它是对所有对 (x,y) 的双重求和。
- 忘记对数应用于整个比率 p(x)p(y)p(x,y)，而不仅仅是分子。
相关问题
认识概念↗ 条件熵 H(X|Y) 衡量在观察到另一个随机变量 Y 之后，关于随机变量 X 的平均剩余不确定性或惊讶程度。它被定义为条件自信息 h(x|y) 在 X 和 Y 的联合分布上的期望值。
适用条件：X 和 Y 是离散随机变量。；求和是在联合字母表 Ax×Ay 上进行的。
理解原因↗ 联合熵 H(X,Y) 不等于 H(X)+H(Y)，因为将边缘熵相加会重复计算变量之间共享的互信息 I(X;Y)。正确的关系是 H(X,Y)=H(X)+H(Y)−I(X;Y)。
适用条件：X 和 Y 是可能共享信息的随机变量（即它们不一定独立）。
认识概念↗ 在熵的韦恩图中，左圆代表熵 H(X)，右圆代表 H(Y)。它们的交集代表互信息 I(X;Y)。
适用条件：适用于说明两个离散随机变量 X 和 Y 之间的信息分解。
当 X 和 Y 独立时，知道其中一个并不能告诉你关于另一个的任何信息。在数学上，联合分布分解为边际分布的乘积，即 p(x,y)=p(x)⋅p(y)。
适用条件：适用于 X 和 Y 独立的情况。；显示的记号使用概率质量函数 p(x)、p(y) 和 p(x,y)。
是的，互信息是完全对称的。公式 I(X;Y)=I(Y;X) 成立。
适用条件：适用于定义互信息的任意一对随机变量 X 和 Y。
答案依据视频资料生成并经过独立核验。若有疑问，请核对原视频或联系原作者。