Kernel methods in machine learning
机器学习中的核方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要综述通用机器学习核方法，未提供所列经济或金融细分领域的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
机器学习中的核方法
- 研究问题
- 如何借助正定核和再生核希尔伯特空间，统一处理非线性函数及非向量数据上的学习与估计问题？
- 方法与思路
- 作者综述以正定核展开函数、在再生核希尔伯特空间中表述学习问题的方法，覆盖二元分类到结构化数据估计。
- 材料陈述的贡献
- 摘要强调函数线性空间便于算法构造与分析，同时容纳丰富的非线性函数及非向量数据；论文主要提供方法综述。
- 阅读关注点
- 应核对各类核所对应的函数空间、学习目标与正则化方式，以及不同数据结构下方法选择和理论保证的具体条件。
- 阅读边界
- 索引摘要未注明稿件版本，未提供各方法的定理或性能比较；不能将综述范围理解为新算法贡献或普遍优越性。
原文摘要
We review machine learning methods employing positive definite kernels. These methods formulate learning and estimation problems in a reproducing kernel Hilbert space (RKHS) of functions defined on the data domain, expanded in terms of a kernel. Working in linear spaces of function has the benefit of facilitating the construction and analysis of learning algorithms while at the same time allowing large classes of functions. The latter include nonlinear functions as well as functions defined on nonvectorial data. We cover a wide range of methods, ranging from binary classifiers to sophisticated methods for estimation with structured data.