什么是 Explaining Away?（个人理解）

最新推荐文章于 2019-07-10 21:27:01 发布
最新推荐文章于 2019-07-10 21:27:01 发布
阅读量2.1k 收藏
点赞数
分类专栏： deep-learning 文章标签： Explain Away
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yzf0011/article/details/71512453
版权

有3个事件： A ，B和 C
其中: A⊥B( A 和B独立)， 而 C=A∪B
如果事件 C 发生，则Explaining Away A和B发生的概率增大
如果事件C和 A 都发生，则Explaining Away 事件B发生的概率降低
这里写图片描述
从这张图中：我们认为红色是C发生，它由 A 和B共同影响。
所以上面的解释很容一说通。

图片来源：https://i.stack.imgur.com/27W9h.png

fourye007
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Explaining Away的简单理解
huangbo10的专栏
04-07 8083
最近在看Stanford大神Daphne Koller的概率图模型，
explaining-away
05-30
旧规范： ://i-loder-matthew.github.io/explaining-away/experiments/01_norming_study/experiment 新版本 1： : 新版本 2： : Exp-away 1： : Exp-away 2： : Exp-away 3： : Exp-away 4： :
Explaining away
tkyjqh的专栏
02-07 1007
Explaining away是解析学习Sigmoid Belief Net困难是用到的一个重要概念，理解并不直观，用概率表格形式来解释更加直观。 假设A, B, C三事件相互独立，发生的概率分别为a, b,c。概率表如下： A B C P(A,B,C) 0 0 0 (1-a)(1-b)(1-c) 0 1 0 (1-a)b(1-c
explain -- explaining away
nancheng2008的专栏
12-01 580
最近看deep learning相关的东西，有些东西不懂，记下来，权当笔记。 这里说明了点击打开链接
概率图模型
lgy54321的博客
07-10 492
文章目录概率图有向图 vs. 无向图有向图条件局部独立性无向图 概率图 在概率图模型中，数据(样本)由公式 G=(V,E) 建模表示： V 表示节点，即随机变量（放在此处的，可以是一个token或者一个label），具体地，用 为随机变量建模，注意 Y 现在是代表了一批随机变量（想象对应一条sequence，包含了很多的token）， P(Y) 为这些随机变量的分布； E 表示边，即概率依赖关...
概率有向图模型
风翼冰舟的博客
03-05 1万+
1. 前言 主要参考书籍《深度学习导论及案例分析》、维基百科“贝叶斯网络”、老笨妞的博客、PRML中文翻译，重点还是概念的掌握和几个小理论的推导，比较枯燥。加入了自己的一些简单理解。 个人感觉概率有向图模型最大的意义在于：一个特定的有向图表示将联合概率分布分解为条件概率分布乘积的形式。 2. 概念 2.1 等价概念 概率有向图模型、贝叶斯网络（Bayesian network）、信念网络...
Explaining and Harnessing Adversarial Examples.zip
03-16
《Explaining and Harnessing Adversarial Examples》是深度学习领域中一篇重要的研究论文，主要探讨了对抗性示例（Adversarial Examples）这一概念及其对机器学习模型的影响。对抗性示例是指通过微小但精心设计的...
explaining-flow
08-04
看板模拟器 通过此项目，您可以模拟团队结构并查看对团队效率和效力的影响。 您为每次模拟获得的测量结果是： 吞吐量：团队单位时间内完成的故事数量。 通常称为团队速度。 提前期：项目从有人开始处理它到完成...
POSTGRESQL_Explaining_EXPLAIN.pdf
08-03
在PostgreSQL中，`EXPLAIN`是一个非常重要的命令，它用于分析查询计划，帮助数据库管理员和开发者理解数据库如何执行SQL语句，以便优化查询性能。在这个特定的例子中，我们看到一个涉及多个表的复杂联接查询，其中...
A Fast Learning Algorithm for Deep Belief Nets
我爱写报告的博客
01-15 1万+
题目： A Fast Learning Algorithm for Deep Belief Nets 作者： Geoffrey E. Hinton, Simon Osindero, Yee-Whye Teh 单位： University of Toronto, University of Singapore 出版： Neural Computation, 2006 Logistic b
CD（Contrastive Divergence）
win_in_action的专栏
05-08 9140
一、DBNs是一个概率生成模型，与传统的判别模型的神经网络相对，用于建立一个观察数据和标签之间的联合分布。                             二、DBN的训练      CD(Contrastive Divergence)是log-likelihood gradient的近似算法，同时是a successful update rule for traini
Couldn't open CUDA library libcupti.so.8.0. LD_LIBRARY_PATH
yzf0011的专栏
05-27 2594
问题描述 I tensorflow/stream_executor/dso_loader.cc:129] Couldn’t open CUDA library libcupti.so.8.0. LD_LIBRARY_PATH: /usr/local/cuda-8.0/lib64: 2017-05-27 09:38:14.340135: F tensorflow/core/platform/
SPP(Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)
热门推荐
yzf0011的专栏
07-16 2万+
Introduction在一般的CNN结构中，在卷积层后面通常连接着全连接。而全连接层的特征数是固定的，所以在网络输入的时候，会固定输入的大小(fixed-size)。但在现实中，我们的输入的图像尺寸总是不能满足输入时要求的大小。然而通常的手法就是裁剪(crop)和拉伸(warp)。 这样做总是不好的：图像的纵横比(ratio aspect) 和 输入图像的尺寸是被改变的。这样就会扭曲原始的图
fast-rcnn 详解
yzf0011的专栏
08-06 6304
Introduction图像检测有两大挑战： 1. 需要处理大量的候选对象(proposals or candidate objects) 2. 提供的候选对象的位置通常是粗略的，需要修缮 本文一大特点:在single stage 进行model：区分proposal和其位置信息(spatial location)同时进行RCNN缺点 Training is a multi-stage pip
YoloV3
yzf0011的专栏
04-16 819
与之前版本的不同之处 Bounding object scores 使用logistic 回归 预测bounding box中心点使用sigmoid Class Prediction 使用binary cross-entropy 损失，使用sigmoid作为预测概率 Proposal Overlap Problem 一个scale多预测几个box Featur...
DSOD: Learning Deeply Supervised Object Detectors from Scratch
yzf0011的专栏
10-29 544
Key Problems Limited structure design space. Learning bias As both the loss functions and the category distributions between classification and detection tasks are different, we argue that this will l
SQUEEZENET
yzf0011的专栏
11-05 540
Compelling Advantages Smaller CNNs require less communication across servers during distributed training. Smaller CNNs require less bandwidth to export a new model from the cloud to an autonomous car.
Explaining Image Classifiers by Counterfactual Generation 讲了什么
最新发布
02-06
"Explaining Image Classifiers by Counterfactual Generation" 是一篇学术论文，讨论了如何使用计算机视觉图像分类器的解释方法。论文中提出了一种名为 "反事实生成" 的方法来解释图像分类器的决策。该方法通过在图像中添加或删除特定的元素来改变分类器的决策，从而更好地理解图像分类器是如何工作的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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