Kernels for Vector-Valued Functions: A Review
A kernelmódszerek a gépi tanulás legnépszerűbb technikái közé tartoznak. A regularizációs elmélet szempontjából a reprodukáló kernel Hilbert terek fogalmán keresztül természetes választást biztosítanak a hipotézistér és a regularizációs funkcionál számára.
Valószínűségelméleti szempontból kulcsfontosságúak a Gauss-folyamatok kontextusában, ahol a kernelfüggvényt kovarianciafüggvényként ismerjük. Az egyértékű függvényekre vonatkozó kernelmódszerek elmélete mára már jól megalapozott, és valóban jelentős mennyiségű munkát szenteltek a kernelek tervezésének és tanulásának. Az utóbbi időben egyre nagyobb érdeklődés mutatkozik a több kimenettel dolgozó módszerek iránt, amit részben a többfeladatos tanuláshoz hasonló keretek motiválnak.
A vektorértékű függvények kerneleinek alkalmazásai közé tartoznak a szenzorhálózatok, a geostatisztika, a számítógépes grafika és még számos más terület. Kernelek vektorértékű függvényekhez: Különös figyelmet fordítva a valószínűségi és a regularizációs módszerek közötti kapcsolatra.
Kernels for Vector-Valued Functions: A Review olyan kutatóknak szól, akik érdeklődnek a vektorértékű függvények kerneleinek elmélete és alkalmazása iránt olyan területeken, mint a statisztika, az informatika és a mérnöki tudomány. Egyik célja, hogy egységes keretet és közös terminológiát biztosítson a gépi tanulás és a statisztika területén dolgozó kutatók számára.