Kernel Mean Embedding of Distributions (Vkladanie jadrového priemeru do rozdelení): A Review and Beyond

Pôvodný názov:

Kernel Mean Embedding of Distributions: A Review and Beyond

Obsah knihy:

Vloženie rozdelenia do Hilbertovho priestoru - stručne povedané, vloženie jadrového priemeru - sa v poslednom čase stalo mocným nástrojom strojového učenia a štatistického odvodzovania. Základnou myšlienkou tohto rámca je mapovanie rozdelení do reprodukujúceho jadrového Hilbertovho priestoru (RKHS), v ktorom možno celý arzenál jadrových metód rozšíriť na pravdepodobnostné miery.

Možno ho považovať za zovšeobecnenie pôvodnej "mapy príznakov" spoločnej pre stroje s podpornými vektormi (SVM) a iné jadrové metódy. Okrem klasických aplikácií jadrových metód našlo jadrové vkladanie priemerov nové uplatnenie vo filmoch od pravdepodobnostného modelovania po štatistickú inferenciu, kauzálne odhaľovanie a hlboké učenie.

Kernel Mean Embedding of Distributions: A Review and Beyond poskytuje komplexný prehľad existujúcich prác a nedávnych pokrokov v tejto oblasti výskumu a diskutovať o niektorých najnáročnejších otázkach a otvorených problémoch, ktoré by potenciálne mohli viesť k novým smerom výskumu. Cieľovým publikom sú študenti postgraduálneho štúdia a výskumní pracovníci v oblasti strojového učenia a štatistiky, ktorí sa zaujímajú o teóriu a aplikácie jadrových stredných vnorení.