Kernel Mean Embedding of Distributions: Przegląd i nie tylko

Oryginalny tytuł:

Kernel Mean Embedding of Distributions: A Review and Beyond

Zawartość książki:

Osadzenie rozkładu w przestrzeni Hilberta - w skrócie, osadzenie średniej jądra - stało się ostatnio potężnym narzędziem uczenia maszynowego i wnioskowania statystycznego. Podstawową ideą tej struktury jest odwzorowanie rozkładów w przestrzeń Hilberta z reprodukującym się jądrem (RKHS), w której cały arsenał metod jądrowych można rozszerzyć na miary prawdopodobieństwa.

Można to postrzegać jako uogólnienie oryginalnej "mapy cech" wspólnej dla maszyn wektorów nośnych (SVM) i innych metod jądrowych. Oprócz klasycznych zastosowań metod jądrowych, osadzanie średniej jądrowej znalazło nowe zastosowania w dziedzinach od modelowania probabilistycznego po wnioskowanie statystyczne, odkrywanie przyczynowe i głębokie uczenie się.

Książka Kernel Mean Embedding of Distributions: A Review and Beyond stanowi kompleksowy przegląd istniejących prac i najnowszych osiągnięć w tym obszarze badawczym, a także omawia niektóre z najtrudniejszych zagadnień i otwartych problemów, które mogą potencjalnie prowadzić do nowych kierunków badań. Docelowi odbiorcy to studenci i naukowcy zajmujący się uczeniem maszynowym i statystyką, którzy są zainteresowani teorią i zastosowaniami osadzania średniej jądra.