Trong một thời gian, có vẻ như Fisher Kernels có thể trở nên phổ biến, vì chúng dường như là một cách để xây dựng hạt nhân từ các mô hình xác suất. Tuy nhiên, tôi hiếm khi thấy chúng được sử dụng trong thực tế và tôi có quyền hạn rằng chúng có xu hướng không hoạt động tốt. Họ dựa vào tính toán của Thông tin Fisher - trích dẫn Wikipedia:
thông tin Fisher là tiêu cực của kỳ vọng của đạo hàm thứ hai đối với logarit tự nhiên của f. Thông tin có thể được coi là thước đo "độ cong" của đường cong hỗ trợ gần ước tính khả năng tối đa (MLE) của.
Theo như tôi có thể nói điều này có nghĩa là hàm kernel giữa hai điểm sau đó là khoảng cách dọc theo bề mặt cong này - tôi có đúng không?
Tuy nhiên điều này có thể có vấn đề khi sử dụng trong các phương thức kernel, như
- MLE có thể là một ước tính rất xấu cho một mô hình nhất định
- Độ cong của đường cong hỗ trợ xung quanh MLE có thể không được sử dụng để phân biệt giữa các trường hợp, ví dụ: nếu bề mặt Khả năng rất cao
- Điều này dường như vứt bỏ rất nhiều thông tin về mô hình
Nếu đây là trường hợp, có cách nào hiện đại hơn để xây dựng hạt nhân từ các phương pháp xác suất? Ví dụ: chúng ta có thể sử dụng một bộ giữ để sử dụng các ước tính MAP theo cùng một cách không? Những khái niệm khác về khoảng cách hoặc độ tương tự từ các phương pháp xác suất có thể hoạt động để xây dựng hàm nhân (hợp lệ)?