互信息与条件互信息

互信息

定义

两个离散随机变量

( X , Y ) ∼ p ( x , y ) (X,Y)\sim p(x,y) (X,Y)p(x,y),一对离散随机变量,互信息: I ( X ; Y ) = ∑ ( x , y ) ∈ X × Y p ( x , y ) log ⁡ p ( x , y ) p ( x ) p ( y ) = H ( X ) − H ( X ∣ Y ) = H ( Y ) − H ( Y ∣ X ) = H ( X ) + H ( Y ) − H ( X , Y ) \begin{aligned} I(X ; Y) & =\sum_{(x, y) \in \mathcal{X} \times \mathcal{Y}} p(x, y) \log \frac{p(x, y)}{p(x) p(y)} \\\\ & =H(X)-H(X \mid Y) \\\\ & =H(Y)-H(Y \mid X) \\\\ & =H(X)+H(Y)-H(X, Y) \end{aligned} I(X;Y)=(x,y)X×Yp(x,y)logp(x)p(y)p(x,y)=H(X)H(XY)=H(Y)H(YX)=H(X)+H(Y)H(X,Y)

两个连续随机变量

( X , Y ) ∼ f ( x , y ) (X,Y)\sim f(x,y) (X,Y)f(x,y),一对连续随机变量,互信息: I ( X ; Y ) = ∫ f ( x , y ) log ⁡ f ( x , y ) f ( x ) f ( y ) d x d y = h ( X ) − h ( X ∣ Y ) = h ( Y ) − h ( Y ∣ X ) = h ( X ) + h ( Y ) − h ( X , Y ) \begin{aligned} I(X ; Y) & =\int f(x, y) \log \frac{f(x, y)}{f(x) f(y)} d x d y \\\\ & =h(X)-h(X \mid Y) \\\\ & =h(Y)-h(Y \mid X) \\\\ & =h(X)+h(Y)-h(X, Y) \end{aligned} I(X;Y)=f(x,y)logf(x)f(y)f(x,y)dxdy=h(X)h(XY)=h(Y)h(YX)=h(X)+h(Y)h(X,Y)

一个离散,一个连续

X ∼ p ( x ) X\sim p(x) Xp(x) Y ∣ { X = x } ∼ f ( y ∣ x ) Y|\{X=x\}\sim f(y|x) Y{X=x}f(yx),互信息: I ( X ; Y ) = h ( Y ) − h ( Y ∣ X ) = H ( X ) − H ( X ∣ Y ) I(X ; Y) = h(Y)-h(Y \mid X) = H(X)-H(X \mid Y) I(X;Y)=h(Y)h(YX)=H(X)H(XY)

条件互信息

定义

连续变量

( X , Y ) ∣ { Z = z } ∼ F ( x , y ∣ z ) (X,Y)|\{Z=z\}\sim F(x,y|z) (X,Y){Z=z}F(x,yz) Z ∼ F ( z ) Z\sim F(z) ZF(z),互信息: I ( X ; Y ∣ Z ) = ∫ I ( X ; Y ∣ Z = z ) d F ( z ) I(X ; Y \mid Z)=\int I(X ; Y \mid Z=z) d F(z) I(X;YZ)=I(X;YZ=z)dF(z)

离散变量

( X , Y , Z ) ∼ p ( x , y , z ) (X,Y,Z)\sim p(x,y,z) (X,Y,Z)p(x,y,z),互信息: I ( X ; Y ∣ Z ) = H ( X ∣ Z ) − H ( X ∣ Y , Z ) = H ( Y ∣ Z ) − H ( Y ∣ X , Z ) = H ( X ∣ Z ) + H ( Y ∣ Z ) − H ( X , Y ∣ Z ) \begin{aligned} I(X ; Y \mid Z) & =H(X \mid Z)-H(X \mid Y, Z) \\\\ & =H(Y \mid Z)-H(Y \mid X, Z) \\\\ & =H(X \mid Z)+H(Y \mid Z)-H(X, Y \mid Z) \end{aligned} I(X;YZ)=H(XZ)H(XY,Z)=H(YZ)H(YX,Z)=H(XZ)+H(YZ)H(X,YZ) I ( X ; Y ∣ Z ) = E p ( x , y , z ) log ⁡ p ( X , Y ∣ Z ) p ( X ∣ Z ) p ( Y ∣ Z ) I(X ; Y \mid Z)=E_{p(x, y, z)} \log \frac{p(X, Y \mid Z)}{p(X \mid Z) p(Y \mid Z)} I(X;YZ)=Ep(x,y,z)logp(XZ)p(YZ)p(X,YZ)

例子

一个例子,及其互信息公式的推导:
X ∼ P X ( x ) X\sim P_X(x) XPX(x) S R S_R SR没关系,是相互独立的, Y Y Y则是同时受到 X , S R X,S_R X,SR的影响。
互信息: I ( P X ; P Y ∣ X ) = ∑ x ∑ y P X ( x ) P Y ∣ X ( y ∣ x ) log ⁡ P X Y ( x , y ) P X ( x ) P Y ( y ) \mathcal{I}\left(P_X ; P_{Y \mid X}\right)=\sum_x \sum_y P_X(x) P_{Y \mid X}(y \mid x) \log \frac{P_{X Y}(x,y)}{P_X(x) P_Y(y) } I(PX;PYX)=xyPX(x)PYX(yx)logPX(x)PY(y)PXY(x,y) I ( P X ; P Y ∣ X ) = ∑ x ∑ y P X ( x ) P Y ∣ X ( y ∣ x ) log ⁡ P X ∣ Y ( x ∣ y ) P X ( x ) \mathcal{I}\left(P_X ; P_{Y \mid X}\right)=\sum_x \sum_y P_X(x) P_{Y \mid X}(y \mid x) \log \frac{P_{X \mid Y}(x \mid y)}{P_X(x)} I(PX;PYX)=xyPX(x)PYX(yx)logPX(x)PXY(xy)

条件互信息: I ( P X ; P Y ∣ X S R ∣ P S R ) = ∑ s R P S R ( s R ) ∑ x ∑ y P X ( x ) P Y ∣ X S R ( y ∣ x s R ) log ⁡ P X Y ∣ S R ( x , y ∣ s R ) P X ∣ S R ( x ∣ s R ) P Y ∣ S R ( y ∣ s R ) \mathcal{I}\left(P_X ; P_{Y \mid X S_R} \mid P_{S_R}\right)=\sum_{s_R} P_{S_R}\left(s_R\right) \sum_x \sum_y P_X(x) P_{Y \mid X S_R}\left(y \mid x s_R\right) \log \frac{P_{X Y | S_R}\left(x,y|s_R\right)}{P_{X|S_R}(x|s_R)P_{Y|S_R}(y|s_R)} I(PX;PYXSRPSR)=sRPSR(sR)xyPX(x)PYXSR(yxsR)logPXSR(xsR)PYSR(ysR)PXYSR(x,ysR) I ( P X ; P Y ∣ X S R ∣ P S R ) = ∑ s R P S R ( s R ) ∑ x ∑ y P X ( x ) P Y ∣ X S R ( y ∣ x s R ) log ⁡ P X Y S R ( x , y , s R ) P X ∣ S R ( x ∣ s R ) P Y S R ( y , s R ) \mathcal{I}\left(P_X ; P_{Y \mid X S_R} \mid P_{S_R}\right)=\sum_{s_R} P_{S_R}\left(s_R\right) \sum_x \sum_y P_X(x) P_{Y \mid X S_R}\left(y \mid x s_R\right) \log \frac{P_{X Y S_R}\left(x,y,s_R\right)}{P_{X|S_R}(x|s_R)P_{Y S_R}(y,s_R)} I(PX;PYXSRPSR)=sRPSR(sR)xyPX(x)PYXSR(yxsR)logPXSR(xsR)PYSR(y,sR)PXYSR(x,y,sR) I ( P X ; P Y ∣ X S R ∣ P S R ) = ∑ s R P S R ( s R ) ∑ x ∑ y P X ( x ) P Y ∣ X S R ( y ∣ x s R ) log ⁡ P X ∣ Y S R ( x ∣ y s R ) P X ( x ) \mathcal{I}\left(P_X ; P_{Y \mid X S_R} \mid P_{S_R}\right)=\sum_{s_R} P_{S_R}\left(s_R\right) \sum_x \sum_y P_X(x) P_{Y \mid X S_R}\left(y \mid x s_R\right) \log \frac{P_{X \mid Y S_R}\left(x \mid y s_R\right)}{P_X(x)} I(PX;PYXSRPSR)=sRPSR(sR)xyPX(x)PYXSR(yxsR)logPX(x)PXYSR(xysR)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

信通天使

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值