ทฤษฎีบทของ Mercer ทำงานในสิ่งที่ตรงกันข้ามหรือไม่?
ไม่ได้ในทุกกรณี
Wikipedia: "ในวิชาคณิตศาสตร์โดยเฉพาะการวิเคราะห์การทำงานทฤษฎีบทของ Mercer เป็นตัวแทนของฟังก์ชันบวกแน่นอนที่สมมาตรบนสี่เหลี่ยมจัตุรัสเป็นผลรวมของลำดับการบรรจบกันของฟังก์ชันผลิตภัณฑ์ทฤษฎีบทนี้นำเสนอใน (Mercer 1909) เป็นหนึ่งใน ผลลัพธ์ที่น่าทึ่งที่สุดของการทำงานของ James Mercer มันเป็นเครื่องมือทางทฤษฎีที่สำคัญในทฤษฎีของสมการอินทิกรัลมันถูกใช้ในทฤษฎีอวกาศของฮิลแบร์ตในกระบวนการสโทแคสติกตัวอย่างเช่นทฤษฎีบท Karhunen – Loèveและยังใช้แสดงลักษณะเคอร์เนลกึ่งบวกแน่นอนแบบสมมาตร
มันเป็น ' หลายคนให้เป็นหนึ่งในการทำแผนที่ ' บนพื้นที่ Hilbert - การอนุมานรวมขั้นต้นจะเป็นการอธิบายว่าเป็นแฮชหรือเช็คซัมที่คุณสามารถทดสอบกับไฟล์เพื่อระบุตัวตนหรือไม่
คำอธิบายทางเทคนิคเพิ่มเติม: ทฤษฎีการแตกตัว
"ในวิชาคณิตศาสตร์ทฤษฎีการสลายตัวเป็นผลมาจากทฤษฎีการวัดและทฤษฎีความน่าจะเป็นมันกำหนดความคิดของ" ข้อ จำกัด "ที่ไม่สำคัญต่อการวัดให้เป็นศูนย์ย่อยของการวัดพื้นที่ในคำถาม การมีอยู่ของมาตรการความน่าจะเป็นแบบมีเงื่อนไขในแง่หนึ่ง "การสลายตัว" เป็นกระบวนการตรงกันข้ามกับการสร้างการวัดผลิตภัณฑ์ "
ดูเพิ่มเติมที่: " ทฤษฎีบทของ Fubini – Tonelli ", " Hinge Loss ", " Loss Function " และ " เคอร์เนลดีแค่ไหนเมื่อใช้เป็นการวัดความคล้ายคลึงกัน? " (มิถุนายน 2550) โดย Nathan Srebro บทคัดย่อ:
" บทคัดย่อเมื่อเร็ว ๆ นี้ Balcan และ Blum เสนอทฤษฎีการเรียนรู้ตามฟังก์ชั่นความคล้ายคลึงทั่วไปแทนที่จะเป็นเมล็ดกึ่งบวกแน่นอนเราศึกษาช่องว่างระหว่างการรับประกันการเรียนรู้จากการเรียนรู้บนพื้นฐานของเคอร์เนลและสิ่งที่สามารถทำได้โดยใช้ เคอร์เนลเป็นฟังก์ชั่นความคล้ายคลึงซึ่งถูกเปิดทิ้งไว้โดย Balcan และ Blum เราให้การปรับปรุงที่ดีขึ้นอย่างมีนัยสำคัญเกี่ยวกับวิธีการที่ดีฟังก์ชั่นเคอร์เนลเมื่อใช้เป็นฟังก์ชั่นความคล้ายคลึงกันและขยายผลลัพธ์ไป แล้วศูนย์หนึ่งข้อผิดพลาด - อัตรานอกจากนี้เราแสดงให้เห็นว่าขอบเขตนี้แน่นและด้วยเหตุนี้จึงพิสูจน์ได้ว่ามีช่องว่างจริงระหว่างความเชื่อดั้งเดิมของเคอร์เนลตามระยะขอบและแนวคิดที่คล้ายคลึงกันใหม่กว่า "
เพื่อนร่วมงานที่มีฟังก์ชั่นและสำหรับวัตถุประสงค์ของเรามันเป็นกล่องดำs
ดู: เมล็ดและความคล้ายคลึงกัน (ใน R)
มันเป็นกล่องดำดังนั้นคุณจึงไม่ทราบว่าเคอร์เนลตัวใดที่ใช้ถ้าเป็นเคอร์เนลและคุณไม่ทราบรายละเอียดของการใช้งานเคอร์เนลเมื่อคุณคิดว่าคุณรู้ว่ามันคืออันใด ดู: สมการของ rbfKernel ใน kernlab นั้นแตกต่างจากมาตรฐานหรือไม่? .
ในทางกลับกันเสียงนี้ค่อนข้างบ้า
รวดเร็วและมีประสิทธิภาพภายใต้สถานการณ์ที่ จำกัด เหมือนค้อนถ้าคุณถือค้อนไว้กับคุณคนอื่นจะเรียกคุณว่าบ้าเหรอ?
" วิธีเคอร์เนลเป็นหนี้ชื่อของพวกเขาในการใช้ฟังก์ชั่นเคอร์เนลซึ่งช่วยให้พวกเขาทำงานในพื้นที่คุณลักษณะปริยายในมิติสูงโดยไม่ต้องคำนวณพิกัดของข้อมูลในพื้นที่นั้น แต่โดยการคำนวณผลิตภัณฑ์ภายในระหว่างรูปภาพ ของข้อมูลทุกคู่ในพื้นที่คุณลักษณะการดำเนินการนี้มักจะถูกกว่าการคำนวณที่ชัดเจนของการคำนวณพิกัดวิธีนี้เรียกว่า "เคอร์เนลหลอก" ฟังก์ชั่นเคอร์เนลได้รับการแนะนำสำหรับข้อมูลลำดับกราฟข้อความรูปภาพเป็น เช่นเดียวกับเวกเตอร์ ".
บทเรียน:คุณ (บางครั้ง) ได้สิ่งที่คุณจ่ายไป
ดังนั้นคำถามของฉันคือ "มีอยู่หรือไม่ที่สำหรับตัวชี้วัดระยะทางบางตัวให้คุณสมบัติเหล่านี้กับและคืออะไร"f ( s ( a , b ) ) = d ( a , b ) d s fff(s(a,b))=d(a,b)dsf
หลายคนดูลิงก์ด้านบน " ฟังก์ชั่นเคอร์เนลยอดนิยม " RBFและตัวอย่างหนึ่ง (แพง): " การวัดระยะทางอัตราส่วนความน่าจะเป็นสำหรับความคล้ายคลึงกันระหว่างการแปลงฟูริเยร์ของอนุกรมเวลา " (2005) โดย Janacek, Bagnall และ Powell
หากไม่ได้อยู่ในสถานการณ์ทั่วไปเหล่านี้บนจะมีชุดที่เพิ่มขึ้นของความต้องการที่อยู่?s ffsf
ช่องว่างและวิธีการต่าง ๆ สามารถเปรียบเทียบเป้าหมายที่ดีกว่า (และการสลายตัว) ของปัญหาเฉพาะได้มีวิธีการมากมายสำหรับพื้นที่ Hilbertเพียงอย่างเดียว
ใช่รายการมีขนาดใหญ่ดูการเชื่อมโยงข้างต้นและ (เช่นเดียว): การทำซ้ำเคอร์เนล Hilbert พื้นที่