30 lines
1.2 KiB
Markdown
30 lines
1.2 KiB
Markdown
---
|
||
title: "高斯流形"
|
||
created: 2026-06-22
|
||
updated: 2026-06-22
|
||
type: concept
|
||
tags: [information-geometry, riemannian-geometry, gaussian-distribution]
|
||
sources: [nano-filter]
|
||
---
|
||
|
||
# 高斯流形
|
||
|
||
Gaussian manifold 是将高斯分布族视为 Riemannian 流形的几何框架。每个高斯分布 $N(x; \mu, \Sigma)$ 对应流形上的一点，参数 $v = (\mu, \text{vec}(\Sigma^{-1}))$ 作为坐标。
|
||
|
||
## Fisher 度量
|
||
|
||
在高斯流形上，自然度量是 Fisher 信息矩阵。对于参数化 $v$，Fisher 矩阵的逆具有解析形式：
|
||
|
||
$$
|
||
F_v^{-1} = \begin{bmatrix} \Sigma & 0 \\ 0 & 2(\Sigma^{-1} \otimes \Sigma^{-1}) \end{bmatrix}
|
||
$$
|
||
|
||
## NANO 中的应用
|
||
|
||
[[nano-filter|NANO filter]] 的核心洞察：Bayesian 滤波的更新步可以在高斯流形上视为一个优化问题——在流形上寻找一个高斯分布以最小化更新代价 $J(\hat{x}_t, P_t)$。由于高斯流形具有非平凡的曲率，标准梯度下降并非最陡下降方向；[[natural-gradient-descent|自然梯度下降]]用 Fisher 矩阵校正梯度，补偿流形的弯曲。
|
||
|
||
## 参考
|
||
- [[natural-gradient-descent|Natural Gradient Descent]]
|
||
- [[fisher-information-metric|Fisher Information Metric]]
|
||
- [[nano-filter|NANO Filter]]
|