矩阵所有行对之间的向量化 KL 散度计算

Question

我想找出矩阵所有行对之间的 KL 散度。为了解释，我们假设有一个形状为 N x K 的矩阵 V。现在我想创建一个维度 N x N 的矩阵 L，其中每个元素 L[i,j] = KL(V[i,:],V[j,:])。到目前为止，我已经使用以下 scipy.stats.entropy 来计算

upper_triangle = [entropy(V[i,:],V[j,:]) for (i,j) in itertools.combinations(range(N,2)]
lower_triangle = [entropy(V[j,:],V[i,:]) for (i,j) in itertools.combinations(range(N,2)]

L = np.zeroes((N,N))

L[np.triu_indices(N,k = 1)] = upper_triangle
L[np.tril_indices(N,k = -1)] = lower_triangle

有没有更聪明的方法？

Answer 1

好的，在稍微修改 KL 散度的方程式之后，下面的方程式应该也适用，当然，它的数量级更快，

kl = np.dot(V, np.log(Vc).T)
right = kl + kl.T
left = np.tile(np.diag(kl),(kl.shape[0],1))
left = left + left.T
L = left - right

矩阵所有行对之间的向量化 KL 散度计算

Vectorized KL divergence calculation between all pairs of rows of a matrix

python

numpy

vectorization

scipy

scipy.stats