关于均场极限中的基于核的统计学习
原文中文，约400字，阅读约需1分钟。发表于：。使用机器学习中的大规模问题为背景，本论文针对输入变量个数趋向无穷大的情况展开研究。首先，我们完善了核和其再生核希尔伯特空间均值场极限的现有理论。接下来，我们提供了与这些核在均值场极限下逼近相关的结果，包括一个再现者定理。最后，我们将这些核应用于均值场极限下的统计学习，重点是支持向量机。特别地，我们展示了经验和无穷样本解的均值场收敛，以及相应风险的收敛。一方面，我们的结果在核方法的背景下建立了...
本文研究了机器学习中输入变量个数趋向无穷大的情况，完善了核和其再生核希尔伯特空间均值场极限的理论，并将其应用于支持向量机的统计学习中。结果为大规模问题提供了新的理论工具和洞见，同时提出了一种尚未研究的学习问题形式。
