恩，求平均值
很多文章的思想其实很简单的，可是怕拿不出台面，怎么办呢？呵呵，其实只要用一些数学技巧，就可以把一篇本科生习作，变成能在国际会议上发表的论文，呵呵。在论文中，你还可以言之凿凿地声称：We establish a well-founded model based on xxx theory, and derive a surprisingly elegant solution to the optimization problem under the formulation.
举一个简单的例子，和大家分享一下。问题非常简单：给定n个数（向量）：x1, x2, ..., xn，要找出一个数x，使之最好地代表这些点。
解决方法其实很简单，求它们的平均值就是了：x = (x1 + x2 + ... + xn) / n。可是文章不能这样写啊，于是为了让自己的paper看起来学术化一点，我们要建立一些复杂一点的模型：恩，就是让问题看起来复杂一些，以提高文章的含金量。从我自己的知识水平和研究领域来说，起码发现了这么一些模型，都导致同样的结果——求均值。
(1) 基于简单优化的模型——Least Square Formulation: 找一个点x，使得x到所有给定点的平方误差之和最小。
x = argmin_x { (x - x1)^2 + (x - x2)^2 + ... + (x - xn)^2 }
(2) 基于信道传输的模型——Isotropic Noisy Formulation: 把这些点都看成某个点x受加性高斯噪声影响产生的：xi = x + ni。假设噪声项满足高斯分布 N(0, sI)。求点x，使得平均噪声水平最低。
(3) 基于经典概率理论的模型
(3.a) Single Gaussian Model 假设这些点服从高斯分布 N(x, s^2)。那么对于x的最大似然估计(Maximum Likelihood Estimation)就是给订数的均值。
(3.b) Gaussian Mixture Model 多高斯模型的各个component的Maximum Likelihood Estimation均值，按照component weight再对这些均值再加权平均，最后还是这些数的均值。
(4) 基于贝叶斯统计理论的模型——Bayesian Formulation: 通过引入先验概率priori，可以把经典概率模型推广到Bayesian Model。通过某些似是而非的理由assume prior是均匀的，那么在MAP (Maximum a Posteriori)的formulation下，你还可以得到同样的结论。
(5) 基于信息论的模型——Information Theoretical Model 在高斯分布假设下，求对给定数据的information最高的x。或者说，知道x后，对信源的uncertainty(entropy)最小。
(6) 动力学模型——Kinematic Model
(6.a) 聚合运动模型：假设这些点可以自由运动，并且它们之间存在相互引力作用，这些点在运动中最后聚在一点上，停止运动。在某些形式的引力作用下，这些点最后聚在均值位置。
(6.b) 势阱模型：假设这些点是固定的，它们相互之间存在引力作用。从另外一个意义上说，每个点构成一个场源，并且在周围空间激发引力势。则在某些引力形式下，所有点的叠加引力场的势阱位于均值位置。这时候，如果让一个新的点在场中自由运动，最终它会静止在均值的地方。当然，对偶的，你可以考虑一个斥力场以及相应的势垒的位置，结果也是相同的。不过在涉及learning的文献中，通常喜欢energy minimization。
(6.c) 可以建立热力学模型(也称为统计力学)，那些点是一个热平衡状态的某个瞬时观测。进一步的，通过波尔兹曼定律把热力学能量和概率建立联系。那么就可以建立一个既有统计意义，也有物理意义的模型。
(7) 随机模型——Stochastic Model 更复杂的，你可以假设一个一定温度下的热力学粒子的随机运动。这个粒子在运动过程中，在空间各处都可能出现。在无限长的时间中形成一个几率分布，其峰值位置位于均值。
虽然，这么写有些时候确实是故弄玄虚，但是，某些时候对一些简单东西的深入发掘，也许真的能发现许多东西的内在联系呢。不论怎么说，一个东西的学术价值源于深入而有创造性的思考，而不是云遮雾罩。我希望，从这个blog里面，大家不要学歪了，应该体会的是各种不同的理论是如何相互联系在一起的。
