首先，回忆一下两者的定义:

• 最大似然估计:
  $$\hat{\theta }=\arg \underset{\theta }{\max }L(\theta \mid X)$$

其中， $L(\theta \mid X)$ 是似然函数，表示在参数为 $\theta$ 时观测到数据 $X$ 的概率。

• Kullback-Leibler散度：
  $$D_{KL}(P\Vert Q)=\sum _{x}P(x)\log \left(\frac{P(x)}{Q(x)}\right)$$

其中， $P$ 和 $Q$ 是两个概率分布。KL散度度量了使用概率分布 $Q$ 来近似概率分布 $P$ 时的信息损失。

现在，考虑一个固定的真实分布 $P$ 和一个由参数 $\theta$ 参数化的模型分布 $Q_{\theta }$ 。我们的目标是找到参数 $\theta$ 使得模型分布 $Q_{\theta }$ 最接近真实分布 $P$ 。为此，我们希望最小化它们之间的KL散度。

将KL散度分解，我们有:
$$\begin{array}{rl}& D_{KL}\left(P\Vert Q_{\theta }\right)=\sum _{x}P(x)\log \left(\frac{P(x)}{Q_{\theta }(x)}\right)\\ & =\sum _{x}P(x)\log P(x)-\sum _{x}P(x)\log Q_{\theta }(x)\end{array}$$

请注意，第一项与 $\theta$ 无关，因此最小化KL散度等同于最大化似然函数。
举个简单例子:
考虑一个伯努利分布，真实参数为 $p$ ，观测到的数据为 $X$ ，其中有 $n$ 个1和 $N-n$ 个 0 。我们的模型分布是 $Q_{\theta }$ ，参数为 $\theta$ 。

似然函数是:
$$L(\theta \mid X)={\theta }^n(1-\theta {)}^{N-n}$$

使用KL散度，我们有:
$$D_{KL}\left(P\Vert Q_{\theta }\right)=p\log \left(\frac{p}{\theta }\right)+(1-p)\log \left(\frac{1-p}{1-\theta }\right)$$

为了最小化KL散度，我们希望最大化似然函数，即选择 $\theta$ 使得 $L(\theta \mid X)$ 最大。
这样，通过考虑两者的定义，可以看出MLE实际上是在尝试最小化模型分布与真实分布之间的KL散度。

“通过考虑两者的定义，可以看出MLE实际上是在尝试最小化模型分布与真实分布之间的KL散度。”

首先，Kullback-Leibler散度 (KL散度) 在两个概率分布 $\mathrm{P}$ 和 $\mathrm{Q}$ 之间定义为:
$$D_{KL}(P\Vert Q)=E_P[\log (P(X)/Q(X))]$$

当我们考虑最大似然估计(MLE)时，我们实际上是考虑了一系列观察数据X，并试图找到参数 $\theta$ 使得数据在模型Q_ $\theta$ 下的似然性最大。

考虑固定的真实分布 $\mathrm{P}$ 和由参数 $\theta$ 参数化的模型分布 ${\mathrm{Q}}_{-}\theta ，\mathrm{KL}$ 散度表示为:
$$\begin{array}{rl}& D_{KL}\left(P\Vert Q_{\theta }\right)=E_P\left[\log \left(P(X)/Q_{\theta }(X)\right)\right]\\ & =E_P[\log P(X)]-E_P\left[\log Q_{\theta }(X)\right]\end{array}$$

这里， $E_P[\log P(X)]$ 是真实分布 $\mathrm{P}$ 下的期望值，并且与参数 $\theta$ 无关。因此，最小化 $D_{KL}\left(P\Vert Q_{\theta }\right)$ 相当于最大化似然函数的负对数:
$$-E_P\left[\log Q_{\theta }(X)\right]=-\sum _{x}P(x)\log Q_{\theta }(x)$$

在实际应用中，我们没有真实分布 $\mathrm{P}$ 的直接访问，但我们有观测数据。因此，我们用观测数据的经验分布来代替真实分布 $\mathrm{P}$ ，并使用该经验分布的期望来估计负对数似然。

结论: MLE尝试找到参数 $\theta$ 使得模型Q_ $\theta$ 下的观测数据的似然性最大。从KL散度的角度看，这等价于最小化模型分布Q_ $\theta$ 与观测数据经验分布 (代表真实分布 $P$ ) 之间的KL散度。

因此，当我们使用MLE方法时，我们实际上是在尝试找到参数值 $\theta$ ，使得参数化的模型分布 Q_日尽可能接近观测数据的经验分布，从而最小化它们之间的KL散度。

根据你上面的意思，那$-E_P[\log Q_{\theta }(X)]$就是 似然函数的负对数？

我刚才的表述有些不精确。让我们更明确地探讨这一点。
给定观测数据集 X = { x 1 , x 2 , … , x N } X=\left\{x_1, x_2, \ldots, x_N\right\} X={x1​,x2​,…,xN​} ，似然函数表示为:
$$L(\theta \mid X)=\prod _{i=1}^N{Q}_{\theta }\left(x_i\right)$$

对数似然函数是似然函数的自然对数:
$$\ell (\theta \mid X)=\log L(\theta \mid X)=\sum _{i=1}^N\log Q_{\theta }\left(x_i\right)$$

为了找到最大似然估计，我们希望最大化对数似然函数。

在之前的讨论中，我提到了:
$$-E_P\left[\log Q_{\theta }(X)\right]=-\sum _{x}P(x)\log Q_{\theta }(x)$$

这实际上是期望的负对数似然，其中的期望是基于真实分布 $\mathrm{P}$ 计算的。但是，在实际的最大似然估计中，我们通常使用观测数据的经验分布来代替真实分布，所以我们尝试最大化对数似然函数 $\ell (\theta \mid X)$ ，而不是最小化负对数似然。

所以，你是对的。在给定观测数据的情况下，我们不直接使用 $-E_P\left[\log Q_{\theta }(X)\right]$ ，而是使用对数似然函数 $\ell (\theta \mid X)$ 。我的之前的描述可能引起了一些混看，对此我深感抱歉。

对数似然函数：
$l(\theta |X)=\log L(\theta \mid X)={\sum }_{i=1}^N\log Q_{\theta }\left(x_i\right)$ 其实和$-E_P\left[\log Q_{\theta }(X)\right]=-{\sum }_{x}P(x)\log Q_{\theta }(x)$是等价的。只是${\sum }_{i=1}^N\log Q_{\theta }\left(x_i\right)$需要再乘一个$\frac{1}{N}$。 是这样吗？
比如给定的观测数据为$X=1,2,2,3,2,1$
那对于对数似然函数$\ell (\theta |X)=2\ast \log Q_{\theta }(1)+3\ast \log Q_{\theta }(2)+1\ast \log Q_{\theta }(2)$
那前面的系数$2,3,1$都乘以一个$\frac{1}{N}$就变成了$P(x)$了。是这样吗？
根据你上面的意思，那$-E_P[\log Q_{\theta }(X)]$就是 似然函数的负对数？

你的理解是正确的。为了清晰地说明这一点，让我们分步骤地进行讨论。

首先，考虑对数似然函数：
$$\ell (\theta \mid X)=\sum _{i=1}^N\log Q_{\theta }\left(x_i\right)$$

现在，考虑经验分布 (观测数据的分布) :
$$\hat{P}(x)=\frac{\text{ 观测到 }x\text{ 的次数 }}{N}$$

对于你给的例子，数据集为 X = { 1 , 2 , 2 , 3 , 2 , 1 } X=\{1,2,2,3,2,1\} X={1,2,2,3,2,1} 。则:
$$\begin{array}{rl}& \hat{P}(1)=\frac{2}{6}=\frac{1}{3}\\ & \hat{P}(2)=\frac{3}{6}=\frac{1}{2}\\ & \hat{P}(3)=\frac{1}{6}\end{array}$$

基于经验分布的负对数似然期望是:
$$\begin{array}{rl}& -\sum _x\hat{P}(x)\log Q_{\theta }(x)\\ & =-\left(\frac{1}{3}\log Q_{\theta }(1)+\frac{1}{2}\log Q_{\theta }(2)+\frac{1}{6}\log Q_{\theta }(3)\right)\end{array}$$

当你考虑对数似然函数时:
$$\ell (\theta \mid X)=2\log Q_{\theta }(1)+3\log Q_{\theta }(2)+1\log Q_{\theta }(3)$$

可以看到，当你将对数似然函数乘以 $\frac{1}{N}$ ，得到:
$$\frac{1}{6}\ell (\theta \mid X)=\frac{1}{3}\log Q_{\theta }(1)+\frac{1}{2}\log Q_{\theta }(2)+\frac{1}{6}\log Q_{\theta }(3)$$

这与基于经验分布的负对数似然期望是一致的，只是符号相反。
因此，确实，当你考虑观测数据的经验分布，并将对数似然函数乘以 $\frac{1}{N}$ ，你实际上得到了基于经验分布的负对数似然期望的正值。