Kernel Mean Embedding delle distribuzioni: Una revisione e oltre

Titolo originale:

Kernel Mean Embedding of Distributions: A Review and Beyond

Contenuto del libro:

L'incorporazione nello spazio di Hilbert di una distribuzione - in breve, l'incorporazione della media kernel - è emersa recentemente come un potente strumento per l'apprendimento automatico e l'inferenza statistica. L'idea alla base di questa struttura è quella di mappare le distribuzioni in uno spazio di Hilbert con kernel riproducente (RKHS), in cui l'intero arsenale dei metodi kernel può essere esteso alle misure di probabilità.

Può essere visto come una generalizzazione dell'originale "mappa delle caratteristiche" comune alle macchine a vettori di supporto (SVM) e ad altri metodi kernel. Oltre alle applicazioni classiche dei metodi kernel, il kernel mean embedding ha trovato nuove applicazioni in campi che vanno dalla modellazione probabilistica all'inferenza statistica, alla scoperta causale e al deep learning.

Kernel Mean Embedding of Distributions: A Review and Beyond" fornisce una rassegna completa dei lavori esistenti e dei recenti progressi in quest'area di ricerca e discute alcune delle questioni più impegnative e dei problemi aperti che potrebbero potenzialmente portare a nuove direzioni di ricerca. Il pubblico a cui si rivolge è composto da studenti e ricercatori di apprendimento automatico e di statistica interessati alla teoria e alle applicazioni dei kernel mean embedding.