Natknąłem się na obszerną literaturę, która opowiada się za wykorzystaniem metryki Informacji Fishera jako naturalnej metryki lokalnej w przestrzeni rozkładów prawdopodobieństwa, a następnie integracji jej w celu określenia odległości i objętości.
Ale czy te „zintegrowane” ilości są rzeczywiście przydatne do czegoś? Nie znalazłem teoretycznych uzasadnień i bardzo mało praktycznych zastosowań. Jednym z nich jest praca Guya Lebanona, w której używa „odległości Fishera” do klasyfikacji dokumentów, a druga to ABC wyboru modelu Rodrigueza … gdzie „ Wybór Fishera” jest używany do wyboru modelu. Najwyraźniej użycie „ilości informacji” daje poprawę „rzędu wielkości” w porównaniu z AIC i BIC do wyboru modelu, ale nie widziałem żadnych dalszych działań w związku z tą pracą.
Teoretycznym uzasadnieniem może być ograniczenie uogólnienia, które korzysta z tej miary odległości lub objętości i jest lepsze niż ograniczenia wyprowadzone z MDL lub argumentów asymptotycznych, lub metoda polegająca na jednej z tych wielkości, która jest o wiele lepsza w pewnej rozsądnie praktycznej sytuacji, czy istnieją jakieś wyniki tego rodzaju?