Статтю присвячено непараметричним оцінкам усереднених ядерних відображень умовних
розподілів, що є неявними відображеннями розподілу в потенційно нескінченновимірний простір
характеристик, а також комплексному ядерному підходу для розв’язання широкого класу задач
розпізнавання образів. Ключова ідея полягає у відображенні умовного розподілу в нескінченновимірний
простір характеристик з використанням функції ядра. Запропонований підхід може бути використаний для побудови більш простих та ефективних статистик для оцінки такого неперервного мультимодального розподілу, як функція глибини.
This article focuses on nonparametric estimates of the mean kernel mappings of conditional distributions
that are implicit mappings of distribution in a potentially infinite dimensional space of features, as well as
complex kernel approach for solving a wide class of pattern recognition problems. The key idea is the
mapping of conditional distribution in infinite space of features using the kernel function. The proposed
approach can be used to construct a simple and effective evaluation of the statistics for continuous
multimodal distribution as a depth function.