From f696b84f9c8e37b3569344bd5a417a65fc18f089 Mon Sep 17 00:00:00 2001 From: Louis Date: Mon, 15 Dec 2025 17:48:22 +0100 Subject: [PATCH] =?UTF-8?q?=F0=9F=92=AC=20Adding=20some=20feedback?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- suivi/2025-50/2025-50.qmd | 4 +++- 1 file changed, 3 insertions(+), 1 deletion(-) diff --git a/suivi/2025-50/2025-50.qmd b/suivi/2025-50/2025-50.qmd index 740c7cf..2ed6c0e 100644 --- a/suivi/2025-50/2025-50.qmd +++ b/suivi/2025-50/2025-50.qmd @@ -88,9 +88,11 @@ Et on obtient la dérivée partielle par rapport à $\beta_t$ comme: ❓ Gradient mesure l'écart entre probas a posteriori et la proba a priori du groupe de référence ? +**Conclusion**: Il manque l'exponentielle cette formulation ne somme pas à 1. + ##### Modèle Sophie -Avec $\rho_r^j = \frac{\exp{\beta_r X_j}}{\sum_{s=1}^{R} \exp{\beta_s X_j}} = \sigma(\pmb{\beta} \pmb{X})_{r,j}$, où $\sigma$ désigne le softmax. +Avec $\rho_r^j = \frac{\exp{\beta_r X_j}}{\sum_{s=1}^{R} \exp{\beta_s X_j}} = \sigma(\pmb{\beta} \pmb{X})_{r,j}$, où $\sigma$ désigne le softmax. Mais il y a besoin de poser une contrainte sur l'un des $(\beta_r)_{r=1,\dots,R}$, ici $\beta_R = 0$. La partie pertinente de l'ELBO devient: $$