분포의 커널 임베딩
term_id: kernel_embedding_of_distributions
Category: training_techniques
Definition
분포의 커널 임베딩(KED)은 확률적 객체(분포)를 재현 가능 커널 힐베르트 공간(RKHS)이라는 고차원 특징 공간 내의 점(point)으로 취급할 수 있게 합니다. 분포를 RKHS 내의 평균 임베딩(mean embedding)으로 매핑함으로써, 복잡한 확률적 연산을 선형 대수 연산(벡터 덧셈, 내적 등)으로 단순화할 수 있습니다. 이를 통해 두 분포 간의 거리나 유사도를 계산하거나, 분포 변환을 수행할 수 있습니다.
Summary
확률 분포를 재현 가능 커널 힐베르트 공간(RKHS)으로 매핑하여 벡터 연산을 통해 분포 간 비교 및 조작을 가능하게 하는 기법입니다.
Key Concepts
- 재현 가능 커널 힐베르트 공간(RKHS)
- 평균 임베딩(Mean Embedding)
- 비모수 추론
- 분포 비교
Use Cases
- 두 표본 가설 검정(Two-sample hypothesis testing)
- 관측 데이터로부터 인과 관계 발견(Causal discovery)
- 생성 모델 출력 결과 비교