Încorporarea medie Kernel a distribuțiilor: O revizuire și mai departe

Titlul original:

Kernel Mean Embedding of Distributions: A Review and Beyond

Conținutul cărții:

O încorporare în spațiul Hilbert a unei distribuții - pe scurt, o încorporare a mediei kernel - a apărut recent ca un instrument puternic pentru învățarea automată și inferența statistică. Ideea de bază care stă la baza acestui cadru constă în maparea distribuțiilor într-un spațiu Hilbert cu nucleu reproducător (RKHS) în care întregul arsenal de metode cu nucleu poate fi extins la măsurile de probabilitate.

Acesta poate fi văzut ca o generalizare a "hărții caracteristice" originale, comună mașinilor vectoriale de sprijin (SVM) și altor metode kernel. În plus față de aplicațiile clasice ale metodelor kernel, încorporarea mediei kernel a găsit aplicații noi în fiecare domeniu, de la modelarea probabilistică la inferența statistică, descoperirea cauzală și învățarea profundă.

Kernel Mean Embedding of Distributions: A Review and Beyond oferă o revizuire cuprinzătoare a lucrărilor existente și a progreselor recente în acest domeniu de cercetare și pentru a discuta unele dintre cele mai dificile aspecte și probleme deschise care ar putea duce potențial la noi direcții de cercetare. Publicul vizat include studenți absolvenți și cercetători în domeniul învățării automate și al statisticii care sunt interesați de teoria și aplicațiile încorporărilor mediei kernel.