Esta tesis reúne varias contribuciones al reconocimiento estadístico
de formas orientadas particularmente a problemas en los que los
vectores de características son de una alta dimensionalidad. Tres
escenarios de reconocimiento de formas se tratan, específicamente
clasificación de patrones, análisis de regresión y fusión de valores.
Para cada uno de estos, un algoritmo para el aprendizaje de un modelo
estadístico es presentado. Para poder abordar las dificultades que se
encuentran cuando los vectores de características son de una alta
dimensionalidad, modelos y funciones objetivo adecuadas son definidas.
La estrategia de aprender simultáneamente una función de reducción de
dimensionalidad y el modelo de reconocimiento se demuestra que es muy
efectiva, haciendo posible aprender el modelo sin desechar nada de
información discriminatoria. Otro tema que es tratado en la tesis es
el uso de vectores tangentes como una forma para aprovechar mejor los
datos de entrenamiento disponibles. Usando esta idea, dos métodos
populares para la reducción de dimensionalidad discriminativa se
muestra que efectivamente mejoran. Para cada uno de los algoritmos
propuestos a lo largo de la tesis, varios conjuntos de datos son
usados para ilustrar las propiedades y el desempeño de las técnicas.
Los resultados empíricos muestran que las técnicas propuestas tienen
un desempeño considerablemente bueno, y además los modelos aprendidos
tienden a ser bastante eficientes computacionalmente.