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
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
这篇文章介绍了 $LU$ 和 $LDL^H$ 分解的修改方法，以更有效地直接对非 - Hermitian 和 Hermitian DPP 核进行抽样，并证明在高性能的稠密和稀疏直接分解的动态调度、共享内存并行化方面，也可以轻松修改以产生基本相同性能的 DPP 抽样方案，而 Catamari 则发布了相关软件。
使用期望极大化算法和特征值及特征向量参数化的方法进行确定性点过程的全核矩阵优化，相较于对核矩阵中条目的渐进梯度上升进行极大似然优化，我们在一个真实的推荐任务中取得了高达 16.5% 的测试日志似然相对收益率。
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
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
通过引入随机机制并使模型符合差分隐私约束，我们讨论了 Determinantal Point Processes（DPPs）的修改，并推导了使其满足 ε- 差分隐私所需的修改和对其敏感性的分析。最后，我们提出了使 DPPs 在隐私 - 效用平衡方面更高效的简单替代方案。
May, 2024