#信息熵
H
(
x
)
=
−
∫
x
P
(
x
)
l
o
g
(
P
(
x
)
)
d
x
H(x)=-\int _{x}P(x)log(P(x))dx
H(x)=−∫xP(x)log(P(x))dx
信息熵表示一个随机变量在经过随机事件结果,随机变量状态量的大小。
#条件熵
表示的是在已知随机变量X的前提下,随机变量Y的信息熵,注意X是随机变量。
H ( Y ∣ X ) = ∑ x , y p ( x , y ) l o g p ( x ) p ( x , y ) H(Y|X) = \sum_{x,y}p(x,y)log\frac{p(x)}{p(x,y)} H(Y∣X)=∑x,yp(x,y)logp(x,y)p(x)
链式法则:
H ( X , Y ) = H ( X ) + H ( Y ∣ X ) = H ( Y ) + H ( X ∣ Y ) H(X,Y)=H(X)+H(Y|X)=H(Y)+H(X|Y) H(X,Y)=H(X)+H(Y∣X)=H(Y)+H(X∣Y)
#互信息
由链式法则, H ( X ) − H ( X ∣ Y ) = H ( Y ) − H ( Y ∣ X ) H(X)-H(X|Y)=H(Y)-H(Y|X) H(X)−H(X∣Y)=H(Y)−H(Y∣X)
互信息
I
(
X
;
Y
)
=
H
(
X
)
−
H
(
X
∣
Y
)
I(X;Y) = H(X)-H(X|Y)
I(X;Y)=H(X)−H(X∣Y)
=
H
(
x
)
+
H
(
Y
)
−
H
(
(
X
,
Y
)
)
= H(x)+H(Y)-H((X,Y))
=H(x)+H(Y)−H((X,Y))
=
∑
x
,
y
p
(
x
,
y
)
l
o
g
p
(
x
,
y
)
p
(
x
)
p
(
y
)
= \sum_{x,y}p(x,y)log\frac{p(x,y)}{p(x)p(y)}
=∑x,yp(x,y)logp(x)p(y)p(x,y)
表示的是一个随机变量X信息量有多少是关于X,Y互相包含的信息。
#距离函数
定义一个集合元素之间的距离的函数。
d: x ∗ x − > [ 0 , + ∞ ) x*x->[0,+\infin) x∗x−>[0,+∞)并且满足以下条件:
- d(x,y)>=0
- d(x,y)=0<=>x=y
- d(x,y) = d(y,x)
- d(x,z)<=d(x,y)+d(y,z)
#Total Variation distance (TV)
θ ( P , Q ) = s u p A ∈ F ∣ P ( A ) − Q ( A ) ∣ \theta(P,Q)=sup_{A\in F}|P(A)-Q(A)| θ(P,Q)=supA∈F∣P(A)−Q(A)∣
描述两个分布的距离,L1正则化。
KL divergence
- KL不具有对称性,KL(P||Q) != KL(Q||P).
- KL不具有可比性,K(P||Q)>KL(R||Q),不能说明分布P更接近Q.
K L ( P ∣ ∣ Q ) = − ∫ x P ( x ) l o g Q ( x ) P ( x ) d x KL(P||Q)= -\int_{x}P(x)log\frac{Q(x)}{P(x)}dx KL(P∣∣Q)=−∫xP(x)logP(x)Q(x)dx
描述的是两个分布之间的相似性。但是有以上缺点
#f-divergence
D
f
(
p
∣
∣
q
)
=
∫
q
(
x
)
f
(
p
(
x
)
q
(
x
)
)
d
x
D_{f}(p||q)=\int q(x)f(\frac{p(x)}{q(x)})dx
Df(p∣∣q)=∫q(x)f(q(x)p(x))dx
当f取-log时,f散度是KL散度
Jensen-Shanno divergence
J S D ( P ∣ ∣ Q ) = 0.5 ∗ K L ( P ∣ ∣ M ) + 0.5 ∗ K L ( Q ∣ ∣ M ) M = 0.5 ∗ ( P + Q ) JSD(P||Q)=0.5*KL(P||M)+0.5*KL(Q||M)M=0.5*(P+Q) JSD(P∣∣Q)=0.5∗KL(P∣∣M)+0.5∗KL(Q∣∣M)M=0.5∗(P+Q)
- JS散度和互信息有相关性
- JS散度范围是[0,1]
- JS散度具有可比性
描述的是两个分布之间的距离。
#Wasserstein distance
描述的是从分布P(x)移动到分布Q(x)所需要的最小代价。
W p ( u , v ) = i n f r ∈ T ( u , v ) ∫ M ∗ M ( d ( x , y ) ) p d r ( x , y ) p W_{p}(u,v) =inf_{r\in T(u,v)} \int_{M*M}(d(x,y))^{p}dr(x,y)^{p} Wp(u,v)=infr∈T(u,v)∫M∗M(d(x,y))pdr(x,y)p
r(x,y)是要满足的约束。