本文介绍了基于行列式点过程(DPPs)的概率模型,包括算法的细节,以及该方法在机器学习中的应用,例如生成多样化的搜索结果和摘要,分析图像中的非重叠人类姿势等。
Jul, 2012
本文探讨了如何通过重新参数化核矩阵,并提出了一种新的基于大间隔分离原则的参数估计技术来学习标记训练数据的 DPP 的参数(核矩阵),以及在文档和视频摘要的挑战性应用中使用我们提出的方法进行建模。
Nov, 2014
该研究使用贝叶斯方法学习确定性点过程的内核参数,解决了非凸似然函数的难题,应用于神经病理学和图像多样性的研究中。
Feb, 2014
本文研究了约束 DPPs(具有 partition 或 matroid 约束的 DPPs)采样的复杂性,提出了一种精确有效的算法,并将其解决方案表达为多项式形式。
Aug, 2016
该论文提出了一种新的行列式点过程的类别,可用于推理和参数学习,特别适用于在指数级别上定义的文本文档的概率建模。应用该技术进行文档摘要,并对可能达到 2^500 个项目的情况进行了演示。
Oct, 2016
本研究介绍了一种使用最大似然估计的方法,构建一个能够学习非对称 DPPs 的可计算算法,并通过合成和真实数据集的评估,证明了优于对称 DPPs 的预测性能。
May, 2019
本文提出了一个基于马尔科夫理论的 determinantal point process (M-DPP) 方法,用于解决多样性集合的选取问题,并且可以通过时间来维护这个多样性。该模型不仅可以产生独立、多样性的集合,同时也可以根据用户的偏好,选择相关性高的新闻文章呈现给用户。
Oct, 2012
提出了一个基于行列式点加工(DPP)的新颖多样的特征选择方法,用于生物信息学中的癌症基因预测和空间统计,显著提高了特征多样性,不降低准确性。
本研究提出了两个高效的 Determinantal Point Processes 采样方案,并将其运用于人体姿态合成和活动空间的排斥性混合建模。
Nov, 2013
本文提出了一种新的算法来学习 DPP kernel,其效果比以前的方法都要好,而且速度更快,实验表明该方法可以在实际数据和模拟数据上取得很好的数值表现。
Aug, 2015