Eine symmetrische, positiv semidefinite Funktion k(x,y) auf einer Indexmenge, die die Kovarianzfunktion eines quadratisch integrierbaren stochastischen Prozesses oder den Mercer‑Kern eines positiven Integraloperators darstellt; für jede endliche Punktmenge {x_i} ist die Matrix [k(x_i,x_j)] positiv semidefinit.

Prinzip

Positive Definitheit charakterisiert Kovarianzen: k ist genau dann ein Kovarianzkern, wenn alle endlichen Gram‑Matrizen positiv semidefinit sind; daraus folgt ein reproduzierender Kernel‑Hilbertraum (RKHS) und ein Integraloperator mit nichtnegativem Spektrum.

Demonstration

Der gaußsche RBF‑Kern k(x,y)=σ^2 exp(−||x−y||^2/(2ℓ^2)) ist ein Kovarianzkern eines stationären Gaußprozesses und definiert einen kompakten, positiven Integraloperator auf L2 eines beschränkten Gebiets mit Mercer‑Entwicklung in orthonormale Eigenfunktionen.

Fehlanwendung

Eine symmetrische Ähnlichkeitsmetrik zu verwenden, die nicht positiv semidefinit ist, und sie fälschlich als Kovarianzkern zu behandeln, was zu Gram‑Matrizen mit negativen Eigenwerten und unmöglichen Varianzen bzw. schlecht gestellten Gaußprozess‑Inferenzen führt.

Konsequenz

Ein echter Kovarianzkern legt die Kovarianzstruktur gaußscher Priori fest, induziert einen RKHS für Interpolation und Regularisierung und stellt sicher, dass assoziierte Integraloperatoren nichtnegative Spektren besitzen, die spektrale Zerlegungen erlauben.

Umkehrung

Eine allgemeine symmetrische Ähnlichkeits‑ oder Distanzfunktion ohne positive Definitheit kann nicht als Kovarianzkern dienen; sie mag heuristisch nützlich sein, garantiert aber keine probabilistische Konsistenz oder RKHS‑Struktur.

Abgrenzung

Gilt für in (x,y) symmetrische, auf endlichen Stichproben positiv semidefinite Funktionen; schließt Kerne aus, die von nichtsymmetrischen Kreuztermen abhängen, signierte Kovarianzen ohne Semidefinitheit oder Objekte, die nichtkommutative Kovarianzkonzepte (operatorwertige Kerne) erfordern, aus.

Semantische Spannung

Es besteht Spannung zwischen Kovarianz‑Kernen, die für probabilistische Modellierung PSD erfordern, und heuristischen Similarity‑Funktionen im maschinellen Lernen, die Diskriminationskraft oder Lokalität ohne PSD‑Garantien priorisieren.

Synthese

Ein Kovarianzkern ist eine symmetrische, positiv semidefinite Funktion, deren endliche Gram‑Matrizen PSD sind; er kodiert zweitrangige Abhängigkeiten, erzeugt eine RKHS‑Struktur und bildet die Grundlage für Kovarianzoperatoren von Gaußprozessen und deren spektrale Zerlegungen.