Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Hilbertian Metrics and Positive Definite Kernels on Probability Measures

Hein, M., & Bousquet, O.(2004). Hilbertian Metrics and Positive Definite Kernels on Probability Measures (126). Tübingen, Germany: Max Planck Institute for Biological Cybernetics.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-D8B1-3 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0002-8B22-B
Genre: Bericht

Dateien

einblenden: Dateien
ausblenden: Dateien
:
MPIK-TR-126.pdf (Verlagsversion), 155KB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0002-8B23-A
Name:
MPIK-TR-126.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Hein, M1, 2, Autor           
Bousquet, O1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: We investigate the problem of defining Hilbertian metrics resp. positive definite kernels on probability measures, continuing previous work. This type of kernels has shown very good
results in text classification and has a wide range of possible
applications. In this paper we extend the two-parameter family of
Hilbertian metrics of Topsoe such that it now includes all
commonly used Hilbertian metrics on probability measures. This
allows us to do model selection among these metrics in an elegant
and unified way. Second we investigate further our approach to
incorporate similarity information of the probability space into
the kernel. The analysis provides a better understanding of these
kernels and gives in some cases a more efficient way to compute
them. Finally we compare all proposed kernels in two text and one
image classification problem.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2004-07
 Publikationsstatus: Erschienen
 Seiten: 8
 Ort, Verlag, Ausgabe: Tübingen, Germany : Max Planck Institute for Biological Cybernetics
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: Reportnr.: 126
BibTex Citekey: 2815
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Max Planck Institute for Biological Cybernetics
Genre der Quelle: Reihe
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 126 Artikelnummer: - Start- / Endseite: - Identifikator: -