Kernel Mean Embedding of Distributions: Una revisión y más allá

Título original:

Kernel Mean Embedding of Distributions: A Review and Beyond

Contenido del libro:

La incrustación de una distribución en un espacio de Hilbert (en resumen, la incrustación de la media de un núcleo) se ha revelado recientemente como una poderosa herramienta para el aprendizaje automático y la inferencia estadística. La idea básica que subyace a este marco consiste en mapear distribuciones en un espacio de Hilbert de núcleo reproductor (RKHS) en el que todo el arsenal de métodos de núcleo puede extenderse a las medidas de probabilidad.

Puede verse como una generalización del "mapa de características" original común a las máquinas de vectores soporte (SVM) y otros métodos kernel. Además de las aplicaciones clásicas de los métodos kernel, la incrustación de medias kernel ha encontrado nuevas aplicaciones en campos que van desde el modelado probabilístico a la inferencia estadística, el descubrimiento causal y el aprendizaje profundo.

Kernel Mean Embedding of Distributions: A Review and Beyond proporciona una revisión exhaustiva del trabajo existente y de los avances recientes en esta área de investigación, y discute algunas de las cuestiones más desafiantes y los problemas abiertos que potencialmente podrían conducir a nuevas direcciones de investigación. Está dirigido a estudiantes de posgrado e investigadores en aprendizaje automático y estadística interesados en la teoría y las aplicaciones de la incrustación de medias en núcleos.