如何解决关于贝叶斯 GP-LVM 实现细节的问题
我想了解贝叶斯 GPLVM 实现在 GPflow 中是如何工作的，但我正在为几行代码而苦苦挣扎。对于以下问题的任何帮助，我将不胜感激：
- 我了解 gplvm.py 的第 178 行中的矩阵 B：
B = AAT + tf.eye(num_inducing,dtype=default_float())
对应于方程中的 $\beta\Psi_2 + K_{MM}$。 Titsias and Lawrence 2010 的 14 个。但是，我不明白代码是如何实现这个表达式的。
A = tf.linalg.triangular_solve(L,tf.transpose(psi1),lower=True) / sigma
tmp = tf.linalg.triangular_solve(L,psi2,lower=True)
AAT = tf.linalg.triangular_solve(L,tf.transpose(tmp),lower=True) / sigma2
B = AAT + tf.eye(num_inducing,dtype=default_float())
LB = tf.linalg.cholesky(B)
log_det_B = 2.0 * tf.reduce_sum(tf.math.log(tf.linalg.diag_part(LB)))
c = tf.linalg.triangular_solve(LB,tf.linalg.matmul(A,Y_data),lower=True) / sigma
我猜代码正在使用矩阵求逆引理，但我不知道如何使用。
-
在等式中。 14 来自 Titsias and Lawrence 2010，有三个术语我无法理解它们是如何在 gplvm.py 中计算的：
- 0.5 \beta^2 y_d^T \Psi_1 (\beta\Psi_2+K_{MM})^{-1} \Psi_1^T y_d（这个公式出现在方程14下面的W的表达式中）立>
- 0.5 D \beta Tr(K_{MM}^{-1} \Psi_2)
- 0.5 D \log |K_{MM}|
如果有任何提示，我将不胜感激。
亲切的，华金
解决方法
计算elbo gplvm.py 的代码非常优雅和高效。如果有人想了解它，我会在下面回答我之前的问题并进一步发布notes。
- 我了解 gplvm.py:182 中的矩阵 B：
B = AAT + tf.eye(num_inducing,dtype=default_float())
对应于方程中的 $\beta\Psi_2 + K_{MM}$。 14 的 Titsias 和 Lawrence 2010. 但是，我不明白 gplvm 代码如何 实现论文中的表达式。
在方程中调用矩阵 $\beta\Psi_2 + K_{MM}$ Titsias 和 Lawrence 2010 的 14（即 TL10）作为 D。在 gplvm.py 中，该矩阵计算为 D=LBL，其中 B 是上面给出的矩阵（即 B=AAT+I），L 是 K_ 的 Choleskly 因子{MM}。
- 关于上一个问题，我无法理解代码中的 A、tmp、AAT 和 c 是什么意思？
A = tf.linalg.triangular_solve(L,tf.transpose(psi1),lower=True) / sigma tmp = tf.linalg.triangular_solve（L，psi2，较低=真） AAT = tf.linalg.triangular_solve(L,tf.transpose(tmp),lower=True)/sigma2 B = AAT + tf.eye(num_inducing,dtype=default_float()) LB = tf.linalg.cholesky(B) log_det_B = 2.0 * tf.reduce_sum(tf.math.log(tf.linalg.diag_part(LB))) c = tf.linalg.triangular_solve(LB,tf.linalg.matmul(A,Y_data),lower=True)/sigma
我猜代码正在使用矩阵求逆引理，但我不知道如何使用。
代码没有使用矩阵求逆引理。
方程中的数据项。 TL10 的 14，（即指数中的项）是通过对向量 c 的 norm2 的平方计算得出的。
AAT 是出现在 TL10 中 Eq.~14 中最后一项的迹内的矩阵（即 $K_{MM}^{-1)\Psi_2)$）。
- 在方程式中。 14 来自 Titsias 和 Lawrence，2010 年，我无法理解三个术语是如何计算的：>
-
0.5 \beta^2 y_d^T \Psi_1 (\beta\Psi_2+K_{MM})^{-1} \Psi_1^T y_d
-
0.5 D \beta Tr(K_{MM}^{-1} \Psi_2)
-
0.5 D \log |K_{MM}|
-
如上所述，第一项是取向量c的norm2的平方来计算的，第二项是取AAT的迹来计算的。等式中两个对数行列式的减法。 TL10 的 14（和第三项）是通过取 log |B| 来计算的。
漂亮的一段代码。谢谢。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。