Статистика > Машинное обучение [представлено 4 мая 2026 (v1), последнее пересмотренное 16 октября 2026 года (эта версия, v2)) Название: Измерение различий между условным распределением с использованием Kernel Embeddings View PDF HTML (экспериментальное) резюме. Хотя предлагаемые методы измерения расхождений с использованием ядер, встроенных в репродукционное пространство Хилберта (RKHS), обеспечивают мощные непараметрические методы, существующая литература по-прежнему является фрагментарной и не имеет единого теоретического подхода. В настоящем документе этот пробел устраняется путем создания согласованной основы для изучения методов, основанных на ядрах, с целью измерения расхождений между условным распределением через то, что мы называем обусловленным максимальным средним расхождением (КОМД). SMLD состоит из семейства метриков, которые мы называем уровнями: три особых случая с использованием различных типов RKHS встроенных: SMHD$_0 долл. (условные средние операторы), SMFD$ _1 долл. США (средние условные вложения) и SMXD$2 долл. Кроме того, мы введем общий уровень СМЖЛ в долл. США с уточнением требуемых допущений и установление математических связей между уровнями через линзу сглаживания на основе оператора. Помимо обзора ранее предложенных оценочных параметров, мы ввели новый двухуровневый метод оценки СМЖЛ, который обеспечивает последовательность при условии достаточно быстрого сокращения объема результатов ошибок, допущенных с помощью базовых моделей. Мы проводим…
Измерение различий между условным распределением с использованием ядер
arXiv: 2605.02260v2 Annuales Type: заменить резюме: сопоставление условных распределения является одной из основных задач в области статистики и машинного обучения, при этом их применение осуществляется по широкому кругу областей. Хотя предлагаемые методы измерения расхождений с использованием ядер, встроенных в репродукционное пространство Хилберта (RKHS), обеспечивают мощные непараметрические методы, существующая литература по-прежнему является фрагментарной и не имеет единого теоретического подхода. В настоящем документе этот пробел устраняется путем создания согласованной основы для изучения методов, основанных на ядрах, с целью измерения расхождений между условным распределением через то, что мы называем обусловленным максимальным средним расхождением (КОМД). SMLD состоит из семейства метриков, которые мы называем уровнями: три особых случая с использованием различных типов RKHS встроенных: SMHD$_0 долл. (условные средние операторы), SMFD$ _1 долл. США (средние условные вложения) и SMXD$2 долл. Кроме того, мы введем общий уровень СМОД в долл. США