基于无穷可分核的信息论学习
机器学习
2013-06-05 v6 计算机视觉与模式识别
摘要
本文基于无穷可分矩阵，发展了一个信息论学习框架。基于 Rényi 的熵公理化定义，我们在正定矩阵上构造了一个类熵泛函，并考察了该泛函的若干关键性质，这些性质引出了无穷可分性的概念。所提出的公式化表达避免了密度的插入式估计，并带来了再生核 Hilbert 空间的表示能力。作为应用实例，我们利用基于矩阵的条件熵类比，推导出一种有监督的度量学习算法，取得了与现有技术（state of the art）相当的结果。
引用
@article{arxiv.1301.3551,
title = {Information Theoretic Learning with Infinitely Divisible Kernels},
author = {Luis G. Sanchez Giraldo and Jose C. Principe},
journal= {arXiv preprint arXiv:1301.3551},
year = {2013}
}
备注
Modified submission for International Conference on Learning Representations 2013