我正在研究概率模型，在对这些模型进行推理时，估计的概率可能变得非常小。为了避免下溢，我目前在日志域工作（我存储概率的日志）。乘法概率等于加法，并使用以下公式进行求和：
log(exp(a) + exp(b)) = log(exp(a - m) + exp(b - m)) + m
其中m = max(a, b)。
我使用了一些非常大的矩阵，我必须采用这些矩阵的元素指数来计算矩阵向量乘法。这一步非常昂贵，我想知道在使用概率时是否存在其他方法来处理下溢。
编辑：出于效率原因，我正在寻找使用基本类型的解决方案，而不是存储实数的任意精度表示的对象。
编辑2：我正在寻找比日志域技巧更快的解决方案，而不是更准确的解决方案。我对目前的准确性感到满意，但我需要一种更快的方法。特别是，在矩阵向量乘法期间进行求和，我希望能够使用有效的BLAS方法。
解决方案：在与Jonathan Dursi讨论后，我决定按其最大元素对每个矩阵和向量进行分解，并将该因子存储在日志域中。乘法很简单。在添加之前，我必须通过两个因子的比率将一个添加的矩阵/向量分解。我每十次操作更新一次因子。
答案 0 :(得分：9)
最近在computational science stack exchange site上出现了这个问题，虽然立即担心会出现溢出，但问题或多或少都是一样的。
转换为日志空间当然是一种合理的方法。无论你处于什么样的空间，要正确地完成大量的总和，你可以使用几种方法来提高求和的准确性。补偿求和方法，最着名的是Kahan summation，保持一个总和，实际上是“余数”;它为您提供了使用更高精度算术的一些优点，而无需所有成本（并且仅使用原始类型）。余下的术语也可以说明你的表现如何。
除了改进添加的实际机制外，更改添加条款的顺序可能会产生很大的不同。排序你的术语，使你从最小到最大的总和可以帮助，因为你不再经常添加非常不同的术语（这可能导致显着的舍入问题）;在某些情况下，做log 2 N重复的成对总和也可以比直线性求和更好，这取决于你的术语是什么样的。
所有这些方法的实用性很大程度上取决于数据的属性。任意精度数学库虽然在计算时间（以及可能的内存）中使用非常昂贵，但它具有相当普遍的解决方案的优势。
答案 1 :(得分：4)
选项1： Commons Math - The Apache Commons Mathematics Library
Commons Math是一个轻量级，自包含的数学和统计组件库，可解决最常见的问题 可以使用Java编程语言或Commons Lang。
注意：API在命名工厂DfpField（而不是更直观的DfpFac或DfpFactory）时保护构造函数强制工厂模式。所以你必须使用
new DfpField(numberOfDigits).newDfp(myNormalNumber)
实例化一个Dfp，然后你可以调用.multiply或其他任何东西。我以为我会提到这个，因为它有点令人困惑。
选项2： GNU Scientific Library或Boost C++ Libraries。 在这些情况下，您应该使用JNI来调用这些本机库。
选项3 ：如果您可以自由使用其他程序和/或语言，则可以考虑使用程序/语言进行数值计算，例如Octave，Scilab，和类似的。
选项4： BigDecimal Java。
答案 2 :(得分：4)
在您的情况下，看起来您需要计算log（1 + exp（-x1）+ exp（-x2）+ ...）。抛弃那些大的负值。例如，假设a，b和c是三个对数概率，其中0> a> b> c。如果a-c> 38，则可以忽略c。它根本不会对你的联合记录概率有所贡献，至少在你使用双打时不会有所贡献。
答案 3 :(得分：1)
我认为你可能最好使用与double相同的概念，即浮点表示，而不是以对数形式存储值。例如，您可以将每个值存储为两个long s，一个用于符号和尾数，一个用于指数。 （ Real 浮点有一个经过精心调整的设计，可以支持大量的边缘情况并避免浪费一点;但你可能不需要担心任何这些，并且可以专注于以一种易于实现的方式进行设计。）
答案 4 :(得分：0)
我不明白为什么会这样，但这个公式似乎有效并且更简单：
c = a + log(1 + exp(b - a))
c = log(exp(a)+exp(b))