信息论随笔（三）交互信息量 - 码农知识堂

信息论随笔（三）交互信息量

之前讨论了一个事件的自信息量，但是实际情况下往往有多个事件发生，而且这些事件之间相互是有联系的。比如知道一个人踢足球，那么这个人很有可能会看世界杯。也就是说，我们可以通过一个事件获得另外一个事件的信息，或者说，消除另外一个事件的不确定性。（信息量是用来衡量不确定性的。）那么，如何在数学上表示这种情况呢？

考虑事件A和事件B，它们发生的概率分别是P(a)和P(b)。如何计算事件A可以从事件B中获得多少信息量？

事件B发生前，事件A的信息量（不确定性）： $log(\frac 1 {P(a)})$

事件B发生后，事件A的概率是在事件B发生条件下的概率：，事件A的信息量（不确定性）为 $log(\frac 1 {P(a|b)})$

那么事件A从事件B中获得的信息量即。事件A的不确定性被事件B消除了一部分，所以信息量减少了。

$I(A;B)=log(\frac 1 {P(a)}) - log(\frac 1 {P(a|b)})=log(\frac {P(a|b)} {P(a)})$

由于 $P(a|b) = \frac {P(ab)}{P(b)}$ ，代入上式可得 $I(A;B)=log(\frac {P(ab)} {P(a)P(b)})=log(\frac {P(b|a)}{P(b)})$ ，该式子等于事件B从事件A中获得的信息量。

上式表明了事件A从事件B中获得的信息量与事件B从事件A中获得的信息量是相同的，交互信息量是对称的。

对上个式子进行变形，还可以得到 $I(A;B)=log(\frac {P(ab)} {P(a)P(b)})=log(\frac {1}{P(a)})+log(\frac {1}{P(b)})-log(\frac {1}{P(ab)})$

这个式子可以从系统的整体来看，系统的信息量的变化等于事件A的自信息量加上事件B的自信息量减去事件A和事件B同时发生的信息量。

所以交互信息量有3种算法：

其中H代表信息熵。（单个事件发生时信息熵就是这个事件的自信息量）
相关阅读:
Self-Instruct 论文解读：利用大模型自己给自己生成指令数据，指令数据自动生成
 电脑重装系统u盘文件被隐藏要怎么找出来
 论文笔记：SAITS: SELF-ATTENTION-BASED IMPUTATION FOR TIMESERIES
VUE系列 --- 网络模块axios（二）
【SpringCloudAlibaba】Seata分布式事务使用
 我在风口有事想聊——隐私计算
 王道考研计算机网络——传输层
 网络安全“三保一评”深度解析
 华为与开放原子开源基金会携四大开源产品亮相1024程序员节
 【微服务架构组件之配置中心一】Nacos
原文地址：https://blog.csdn.net/Milanien/article/details/127934671