polarolouis/these-recap-hebdo
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

💬 Adding some feedback

Browse source
This commit is contained in:
Louis 2025-12-15 17:48:22 +01:00
parent 2a96a5fab5
commit f696b84f9c
1 changed files with 3 additions and 1 deletions
Show stats Download patch file Download diff file Expand all files Collapse all files

4
suivi/2025-50/2025-50.qmd
View file

@ -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 ? ❓ 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 ##### 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: La partie pertinente de l'ELBO devient:
$$ $$