Kernel per funzioni a valore vettoriale: Una rassegna

Titolo originale:

Kernels for Vector-Valued Functions: A Review

Contenuto del libro:

I metodi kernel sono tra le tecniche più popolari nell'apprendimento automatico. Dal punto di vista della teoria della regolarizzazione, forniscono una scelta naturale per lo spazio delle ipotesi e il funzionale di regolarizzazione attraverso la nozione di spazi di Hilbert riproducenti i kernel.

Dal punto di vista della teoria probabilistica, sono la chiave nel contesto dei processi gaussiani, dove la funzione kernel è nota come funzione di covarianza. La teoria dei metodi kernel per le funzioni a valore singolo è ormai consolidata, e in effetti c'è stata una notevole mole di lavoro dedicata alla progettazione e all'apprendimento dei kernel. Più di recente è cresciuto l'interesse per i metodi che trattano uscite multiple, motivato in parte da strutture come l'apprendimento multitask.

Le applicazioni dei kernel per le funzioni a valore vettoriale includono le reti di sensori, la geostatistica, la grafica computerizzata e molte altre. Kernel per funzioni a valenza vettoriale: A Review esamina diversi metodi per progettare o apprendere funzioni kernel valide per uscite multiple, prestando particolare attenzione alla connessione tra metodi probabilistici e di regolarizzazione.

Kernel for Vector-Valued Functions: A Review si rivolge ai ricercatori interessati alla teoria e all'applicazione dei kernel per le funzioni a valenza vettoriale in settori quali la statistica, l'informatica e l'ingegneria. Uno degli obiettivi è quello di fornire un quadro unificato e una terminologia comune ai ricercatori che lavorano nel campo dell'apprendimento automatico e della statistica.