Marginalization trick
这篇随笔讨论一个很小的问题:为什么将概率路径边缘化的时候,做法是乘上 后积分,而将 VF (Vector Field) 边缘化的时候,乘上 这个后验概率再积分?
我学习这部分内容的时候,两个公式我都理解了。我都能解释得很清楚。但是我一直觉得 用来处理第二个积分是没问题的。
所以我想解释清楚这个问题。我问了 Gemini 、我一位同学,以及 Claude 。最后得出了一个比较清楚的解释:
当我们讨论概率路径的时候,假如是条件概率路径,我们讨论的是对于一个点的所有可能的路径。 描述的是在 这个时刻,x 的分布,可以看成是在 和 之间的插值。假如是边缘概率路径,不过是将 换成了 而已,依旧是插值。所以我们做边缘化,依旧在考虑在这种插值情况下的某一个时间点的所有可能的 x 呈现出来的分布。所以我们乘上 后积分,反映的是一种全局考虑,是对于分布的考虑。
然而对于 VF ,情况就不一样了。 描述的是在确切的 x 这一点,向量场的方向,而不是整体的分布。也就是说,我们已经确定了路径经过了 x 这一点。所以我们需要计算一个后验分布 ,意思是“已经确定路过x的情况下,这条轨迹来自哪个z”的可能性。
这个东西反映了什么呢?由于 实际上是由当前位置 x 和目标 z 共同决定的,我边缘化想要计算的其实是,对于最终 z 的那个分布,这条轨迹经过 x 的情况下,VF 整体上是啥样的。我的做法就是,既然我从 x 经过,可能到达不同的 z ,那么我就算算到达每个 z 的可能性分别是多少(也就是后验分布),然后再把这个作为权重,乘上对应的 VF ,最后加起来。
以上就是我的陈述。