Kernel Mean Embedding of Distributions: A Review and Beyond
Eine Hilbert-Raum-Einbettung einer Verteilung - kurz gesagt, eine Kernel-Mittelwert-Einbettung - hat sich in letzter Zeit als leistungsfähiges Instrument für maschinelles Lernen und statistische Schlussfolgerungen erwiesen. Die Grundidee dieses Rahmens ist die Abbildung von Verteilungen in einen reproduzierenden Kernel-Hilbert-Raum (RKHS), in dem das gesamte Arsenal der Kernel-Methoden auf Wahrscheinlichkeitsmaße ausgedehnt werden kann.
Es kann als eine Verallgemeinerung der ursprünglichen "Feature Map" betrachtet werden, die den Support Vector Machines (SVMs) und anderen Kernel-Methoden gemeinsam ist. Zusätzlich zu den klassischen Anwendungen von Kernel-Methoden hat die Kernel-Mittelwert-Einbettung neue Anwendungen in Bereichen gefunden, die von probabilistischer Modellierung bis hin zu statistischer Inferenz, Kausalerkennung und Deep Learning reichen.
Das Buch Kernel Mean Embedding of Distributions: A Review and Beyond bietet einen umfassenden Überblick über bestehende Arbeiten und jüngste Fortschritte in diesem Forschungsbereich und diskutiert einige der schwierigsten Fragen und offenen Probleme, die möglicherweise zu neuen Forschungsrichtungen führen könnten. Die Zielgruppe sind Studenten und Forscher im Bereich des maschinellen Lernens und der Statistik, die an der Theorie und den Anwendungen von Kernel-Mittelwert-Einbettungen interessiert sind.
| ISBN: | 9781680832884 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2017 |
| Seitenzahl: | 154 |
Derzeit verfügbar, auf Lager.
