Непараметричні оцінки усереднених ядерних відображень умовних розподілів для задач розпізнавання образів

Abstract

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.