A Hilbert Space Embedding for Distributions

Smola, AJ; Gretton, A; Song, L; Schölkopf, B

doi:10.1007/978-3-540-75488-6_5

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Bitte beachten Sie, dass eine neuere Version dieses Datensatzes verfügbar ist:
https://pure.mpg.de/pubman/item/item_1790212_2

DetailsÜbersicht

Freigegeben

Poster

A Hilbert Space Embedding for Distributions

MPG-Autoren

/persons/resource/persons83946

Gretton, A
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

/persons/resource/persons84193

Schölkopf, B
Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society;

Externe Ressourcen

Es sind keine externen Ressourcen hinterlegt

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Smola, A., Gretton, A., Song, L., & Schölkopf, B. (2007). A Hilbert Space Embedding for Distributions.

Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-CB99-4

Zusammenfassung

While kernel methods are the basis of many popular techniques in supervised learning, they are less commonly used in testing, estimation, and analysis of probability distributions, where information theoretic approaches rule the roost. However it becomes difficult to estimate mutual information or entropy if the data are high dimensional.