Kullback-Leibler-Divergenz

Die Begriffe Kullback-Leibler-Divergenz (kurz KL-Divergenz) und Kullback-Leibler-Abstand (auch Kullback-Leibler-Entropie oder Kullback-Leibler-Information, nach Solomon Kullback und Richard Leibler; englisch Information Gain) bezeichnen ein Maß für die Unterschiedlichkeit zweier Wahrscheinlichkeitsverteilungen. Typischerweise repräsentiert dabei eine der Verteilungen empirische Beobachtungen oder eine präzise Wahrscheinlichkeitsverteilung, während die andere ein Modell oder eine Approximation darstellt.

Die KL-Divergenz wird auch relative Entropie genannt, wobei der Begriff relative Entropie gelegentlich auch für die Transinformation verwendet wird.

Formal lässt sich die KL-Divergenz für die Wahrscheinlichkeitsfunktionen $P$ und $Q$ diskreter Werte folgendermaßen bestimmen:

$D(P\|Q)=KL(P,Q)=\sum _{x\in X}P(x)\cdot \log {P(x) \over Q(x)}$

Werden die Verteilungen $P$ und $Q$ für kontinuierliche Werte durch die Wahrscheinlichkeitsdichtefunktionen $p$ und $q$ dargestellt, wird hingegen ein Integral berechnet:

$D(P\|Q)=\int _{-\infty }^{\infty }p(x)\cdot \log {\frac {p(x)}{q(x)}}\;\mathrm {d} x$

Die Kullback-Leibler-Divergenz gibt aus informationstheoretischer Sicht an, wie viel Platz pro Zeichen im Mittel verschwendet wird, wenn eine auf $Q$ basierende Kodierung auf eine Informationsquelle angewendet wird, die der tatsächlichen Verteilung $P$ folgt. Somit besteht ein Zusammenhang zur Kanalkapazität. Mathematisch ist dies verträglich mit der Aussage, dass die KL-Divergenz $\geq 0$ ist und Gleichheit nur dann gilt, wenn P und Q identisch sind.

Die konkrete Wahl der Basis des Logarithmus in der Berechnung hängt dabei davon ab, in welcher Informationseinheit gerechnet werden soll. In der Praxis gibt man die KL-Divergenz häufig in Bit bzw. Shannon an und verwendet dafür die Basis 2, seltener werden auch Nit (Basis $e$) und Ban (Basis 10) gebraucht.

Anstatt der Kullback-Leibler-Divergenz wird auch oft die Kreuzentropie verwendet. Diese liefert qualitativ vergleichbare Werte, kann jedoch ohne die genaue Kenntnis von $P$ geschätzt werden. In praktischen Anwendungen ist dies vorteilhaft, da die tatsächliche Hintergrundverteilung der Beobachtungsdaten meist unbekannt ist.

Obwohl die Kullback-Leibler-Divergenz teilweise auch als Kullback-Leibler-Distanz bezeichnet wird, erfüllt sie eine fundamentale Anforderung an Distanzmaße nicht: Sie ist nicht symmetrisch, es gilt also im Allgemeinen $D(P\|Q)\neq D(Q\|P)$. Um Symmetrie herzustellen, kann alternativ die Summe der beiden Divergenzen verwendet werden, die offensichtlich symmetrisch ist:

$D_{2}(P\|Q)=D_{2}(Q\|P)=D(P\|Q)+D(Q\|P)$

Multivariate Normalverteilungen

Für zwei Mehrdimensionale Normalverteilungen (mit Dimension $k$), mit Mittelwerten $\mu _{0},\mu _{1}$ und (nicht-singulären) Kovarianzmatrizen $\Sigma _{0},\Sigma _{1}$ ist die Kullback-Leibler-Divergenz gegeben durch:

$D_{\text{KL}}({\mathcal {N}}_{0}\parallel {\mathcal {N}}_{1})={\frac {1}{2}}\left(\operatorname {Spur} \left(\Sigma _{1}^{-1}\Sigma _{0}\right)+(\mu _{1}-\mu _{0})^{\mathsf {T}}\Sigma _{1}^{-1}(\mu _{1}-\mu _{0})-k+\log \left({\frac {\det \Sigma _{1}}{\det \Sigma _{0}}}\right)\right).$

Belege

• S. Kullback, R. A. Leibler: On information and sufficiency. In: Annals of Mathematical Statistics. Band 22, Nr. 1, März 1951, S. 79–86. 
• S. Kullback: Information theory and statistics. Hrsg.: John Wiley & Sons. 1959.