模型爲
P(x∣h)P(h)=N(x∣μ+Φh,Σ)=N(h∣0,I)
其中h的維度爲k,x的維度爲d(d>k),Σ 是對角陣,求P(x).
這是高斯線性模型!!高斯線性模型!!高斯線性模型!!
別猶豫!!!直接套結論。結果爲ΦΦT+Σ.
之前居然沒想起來這個,手算了半天。
以下爲之前手算的.
P(x)====∫N(x∣μ+Φh,Σ)N(h∣0,I)C1∫exp{−21(x−μ−Φh)TΣ−1(x−μ−Φh)}exp{−21hTh}dhC2∫exp{−21[(x−μ)TΣ−1(x−μ)−2(x−μ)TΣ−1Φh+hT(ΦTΣ−1Φ+I)h]}dhC3exp{−21[(x−μ)T[Σ−1−Σ−1Φ(ΦTΣ−1Φ+I)−1ΦTΣ−1](x−μ)]}×∫exp{−21[h−(ΦTΣ−1Φ+I)−1ΦTΣ−1(x−μ)]T(ΦTΣ−1Φ+I)[h−(ΦTΣ−1Φ+I)−1ΦTΣ−1(x−μ)]}dh
其中C1,C2,C3表示x,h無關的係數。注意到把x有關而h無關的項提到積分外,積分內是關於h的一個高斯分佈。積分後得到
C4exp{−21[(x−μ)T[Σ−1−Σ−1Φ(ΦTΣ−1Φ+I)−1ΦTΣ−1](x−μ)]}
這是一個高斯分佈,均值爲μ,方差爲
[Σ−1−Σ−1Φ(ΦTΣ−1Φ+I)−1ΦTΣ−1]−1(1)
這裏套用Sherman-Morrison-Woodbury恆等式(矩陣求逆引理),式(1)化爲ΦΦT+Σ
- Sherman-Morrison-Woodbury恆等式:
考慮A∈Rd×d,B∈Rk×d,C∈Rk×k,其中A,C正定對稱,則有
(A−1+BTC−1B)−1=A−ABT(BABT+C)−1BA
該式的另一個用處是降低求逆維度,可以把左側對d維求逆改爲右側對k維求逆,如果d>k的話,則有助於求逆
上述恆等式和舒爾補恆等式也很有關係。