Kernel Mean Embedding of Distributions: A Review and Beyond
Egy eloszlás Hilbert-térbe ágyazása - röviden: a kernel-közepes beágyazás - a közelmúltban a gépi tanulás és a statisztikai következtetés hatékony eszközévé vált. E keretrendszer alapötlete az eloszlások leképezése egy reprodukáló kernel Hilbert-térbe (RKHS), amelyben a kernelmódszerek teljes arzenálja kiterjeszthető a valószínűségi mértékekre.
Ez az eredeti "feature map" általánosításának tekinthető, amely a támogató vektorgépek (SVM) és más kernelmódszerek esetében közös. A kernelmódszerek klasszikus alkalmazásai mellett a kernel-közepes beágyazás újszerű alkalmazásokra talált a figyelemtanulástól a valószínűségi modellezésen át a statisztikai következtetésig, az ok-okozati felfedezésig és a mélytanulásig terjedő figyelemterületen.
A Kernel Mean Embedding of Distributions: A Review and Beyond átfogó áttekintést nyújt az ezen a kutatási területen végzett eddigi munkákról és a közelmúltban elért eredményekről, valamint megvitatja a legnagyobb kihívást jelentő kérdéseket és nyitott problémákat, amelyek potenciálisan új kutatási irányokhoz vezethetnek. A célközönség a gépi tanulás és a statisztika területén végzett hallgatók és kutatók, akiket érdekel a kernel-középérték beágyazások elmélete és alkalmazásai.