在看论文 ICLR 2020 《ADAPTIVE STRUCTURAL FINGERPRINTS FOR GRAPH ATTENTION NETWORKS》时,在文中的自适应结构指纹模型里,当给节点赋予权值时,其中一种方法提到可以使用距离的高斯函数来计算节点的权重。
高斯函数是特征对称的钟(bell curve)的形状。
a为曲线尖锋的高度,b为尖峰的中心位置,c表征钟的宽度(具体函数见下面)。
其用处特别多,比如做模糊、正态分布统计、卷积的基础等很多方面都有用。
具体来说可以做荧光笔效果、毛玻璃效果、边缘平滑、抗锯齿等等
参考链接: https://zhuanlan.zhihu.com/p/40060966
高斯函数,Gaussian Function, 也简称为Gaussian,一维形式如下:
对于任意的实数a,b,c,是以著名数学家Carl Friedrich Gauss的名字命名的。高斯的一维图是特征对称“bell curve”形状,a是曲线尖峰的高度,b是尖峰中心的坐标,c称为标准方差,表征的是bell钟状的宽度。
高斯函数广泛应用于统计学领域,用于表述正态分布,在信号处理领域,用于定义高斯滤波器,在图像处理领域,二维高斯核函数常用于高斯模糊Gaussian Blur,在数学领域,主要是用于解决热力方程和扩散方程,以及定义Weiertrass Transform。
从上图可以看出,高斯函数是一个指数函数,其log函数是对数凹二次函数 whose logarithm a concave quadratic function。
高斯函数的积分是误差函数error function,尽管如此,其在整个实线上的反常积分能够被精确的计算出来,使用如下的高斯积分
同理可得
当且仅当
上式积分为1,在这种情况下,高斯是正态分布随机变量的概率密度函数,期望值μ=b,方差delta^2 = c^2,即