ترجمه فارسی مقاله یادگیری جاسازی توزیع‌ها از طریق حداکثر آنتروپی هسته

چکیده

Empirical data can often be considered as samples from a set of probability distributions. Kernel methods have emerged as a natural approach for learning to classify these distributions. Although numerous kernels between distributions have been proposed, applying kernel methods to distribution regression tasks remains challenging, primarily because selecting a suitable kernel is not straightforward. Surprisingly, the question of learning a data-dependent distribution kernel has received little attention. In this paper, we propose a novel objective for the unsupervised learning of data-dependent distribution kernel, based on the principle of entropy maximization in the space of probability measure embeddings. We examine the theoretical properties of the latent embedding space induced by our objective, demonstrating that its geometric structure is well-suited for solving downstream discriminative tasks. Finally, we demonstrate the performance of the learned kernel across different modalities.

چکیده به فارسی (ترجمه ماشینی)

داده های تجربی اغلب می توانند به عنوان نمونه از مجموعه ای از توزیع های احتمال در نظر گرفته شوند.روشهای هسته به عنوان یک رویکرد طبیعی برای یادگیری برای طبقه بندی این توزیع ها ظاهر شده است.اگرچه هسته های بی شماری بین توزیع ها ارائه شده است ، استفاده از روش های هسته برای انجام وظایف رگرسیون توزیع همچنان چالش برانگیز است ، در درجه اول به این دلیل که انتخاب یک هسته مناسب ساده نیست.با کمال تعجب ، مسئله یادگیری هسته توزیع وابسته به داده توجه کمی را به خود جلب کرده است.در این مقاله ، ما یک هدف جدید برای یادگیری بدون نظارت از هسته توزیع وابسته به داده ها ، بر اساس اصل حداکثر رساندن آنتروپی در فضای تعبیه کننده اندازه گیری پیشنهاد می کنیم.ما خصوصیات نظری فضای تعبیه شده نهفته ناشی از هدف خود را بررسی می کنیم ، نشان می دهد که ساختار هندسی آن برای حل کارهای تبعیض آمیز پایین دست مناسب است.سرانجام ، ما عملکرد هسته آموخته شده را در روشهای مختلف نشان می دهیم.