快速 DPP 采样在 Nystrom 法中的应用,用于核方法
本论文研究基于对称核矩阵的确定性点过程,提出了一种可扩展和快速的拒绝采样方法,通过构建新的建议分布以及对核进行一定结构上的约束,控制拒绝率,从而能够应用于非对称确定性点过程的采样。
Jan, 2022
本文介绍了行列式点过程 (Determinantal Point Processes, DPPs) 以及其在机器学习领域中的应用,比如主动学习、贝叶斯优化、强化学习和图形模型中的边缘化。同时,文章也指出了为许多与机器学习相关的设置提供了在连续域上从 DPPs 中精确采样的方法。
Sep, 2016
该研究构建了一种基于组合几何、线性规划和蒙特卡罗方法的新型 MCMC 抽样器,该抽样器利用 hit-and-run MCMC 核有效地跨越凸体并从 DPP 中抽样,提高了汇聚速度。
May, 2017
本文提出了一种基于状态较好的拒绝抽样算法的可扩展 MCMC 采样算法,用于 kdeterminantal point process,使其在低秩核下的运行时间为 n 的次幂;进一步将其扩展到没有大小限制的 NDPP。实验结果表明,我们的方法比现有的采样方法快得多。
Jul, 2022
本论文提出了一种自适应算法用于在大型数据集中编织小型数据集,从而提高 $k$-DPP 采样算法的性能,并确保所生成的样本集合与原始数据集的目标分布相一致。
Jun, 2020
本研究表明,确定性点过程 (DPP) 是描述空间点模式数据集的有用模型,但其统计模型和方法基本上未被探索。因此,我们利用 DPP 的概率特性,开发出参数模型,它可以很容易地评估其似然和矩表达式,并且可以快速模拟其实现。我们讨论了如何使用 DPP 模型的似然或矩性质进行统计推断,并提供了可自由使用的软件进行模拟和统计推断。
May, 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