Kernels pentru funcții cu valențe vectoriale: O revizuire

Titlul original:

Kernels for Vector-Valued Functions: A Review

Conținutul cărții:

Metodele kernel sunt printre cele mai populare tehnici în învățarea automată. Din perspectiva teoriei regularizării, acestea oferă o alegere naturală pentru spațiul ipotezelor și funcția de regularizare prin noțiunea de spații Hilbert cu nucleu reproducător.

Din perspectiva teoriei probabilistice, ele sunt cheia în contextul proceselor gaussiene, unde funcția kernel este cunoscută sub numele de funcție de covarianță. Teoria metodelor kernel pentru funcțiile cu o singură valoare este bine stabilită până în prezent și, într-adevăr, a existat o cantitate considerabilă de lucrări dedicate proiectării și învățării kernel-urilor. Mai recent, a existat un interes crescut pentru metodele care tratează ieșiri multiple, motivat parțial de cadre precum învățarea multitask.

Aplicațiile nucleelor pentru funcții cu valoare vectorială includ rețelele de senzori, geostatistica, grafica computerizată și multe altele. Kernels for Vector-Valued Functions: A Review analizează diferite metode de proiectare sau învățare a funcțiilor kernel valide pentru ieșiri multiple, acordând o atenție deosebită legăturii dintre metodele probabilistice și de regularizare.

Kernels for Vector-Valued Functions: A Review se adresează cercetătorilor interesați de teoria și aplicarea nucleelor pentru funcții cu valoare vectorială în domenii precum statistica, informatica și ingineria. Unul dintre obiectivele sale este de a oferi un cadru unificat și o terminologie comună pentru cercetătorii care lucrează în domeniul învățării automate și al statisticii.