No estoy seguro, si los siguientes temas de investigación con los que me he encontrado recientemente pueden etiquetarse como teóricos , pero en realidad se basan en la estimación de densidad del kernel (KDE) y, en mi opinión, son bastante interesantes :
- Análisis de componentes principales del núcleo (PCA) . Para una introducción formal, vea este documento y, para obtener explicaciones excelentes y más populares, vea esta publicación de blog ( kernel PCA ), así como esta publicación de blog ( aproximaciones y truco de kernel ).
- KDE para flujos de datos. Se pueden encontrar algunos detalles relevantes en este documento ( encuesta con taxonomía de métodos y método KDE adaptativo ), este documento y este documento ( método M-Kernel ), así como este documento ( método SOMKE , basado en mapas autoorganizados ).
- KDE para deformación dinámica del tiempo (DTW). El enfoque DTW es muy popular en el análisis de series de tiempo . Este artículo presenta un nuevo método DTW, basado en curvas principales .
- Escalado de algoritmos de aprendizaje automático , incluido el uso de GPU. Hablando de aprendizaje automático de escala e inteligencia artificial, incluso si está un poco fuera de tema, creo que tiene sentido mencionar soluciones alternativas , como el aprendizaje profundo como un enfoque para resolver los problemas de escalabilidad del enfoque tradicional, basado en el núcleo maquinas . Vea este bonito documento general sobre el tema.
- Diseño de núcleos centrados en tareas. Este documento Este excelente documento general sobre aprendizaje profundo menciona el flujo de investigación del diseño de núcleos, se centró en tareas específicas (basadas en conocimientos previos ) y proporciona referencias a la literatura correspondiente.
