Sep, 2016

确定性点过程的精确采样

PDF
TL;DR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。
determinantal point processesmachine learningmonte carlo samplingactive learningbayesian optimization
发现论文，激发创造
  • 连续确定性点过程的近似推断

    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

  • 机器学习中的行列式点过程

    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

  • 关于有约束行列式点过程复杂性的研究

    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

  • 学习行列式点过程的定点算法

    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

  • 随机数值线性代数中的行列式点过程

    本研究概述了随机数值线性代数 (Randomized Numerical Linear Algebra) 和行列式点过程 (Determinantal Point Processes) 两个看似不相关的数学领域之间新的深入而有益的联系，以及这些联系带来的新保证和改进的算法，并且介绍了 DPP 对于经典线性代数任务，如最小二乘回归、低秩逼近和 Nystrom 方法的应用。

    May, 2020

  • k-DPP 有效采样

    本文提出了一种新的、高效的，近似采样来自离散 $k$-DPP 的方法，该方法利用了从 DPP 采样的子集的多样性属性，并分两个阶段进行：首先，对于项的基础集合，它构造核心集； 然后，基于构造的核心子集高效地采样子集，并旨在最小化到原始分布的总变分距离。在合成和实际数据集上的实验表明，相对于以前的方法，我们的采样算法在大数据集上可以有效地工作，并生成更准确的样本。

    Sep, 2015

  • 学习行列式点过程

    该论文提出了一种基于特征的条件 DPP 模型的参数化形式，利用其进行了可行的、凸优化的学习，最终应用于文本摘要任务并获得了最先进的结果。

    Feb, 2012

  • 无需查看所有项，从 $k$-DPP 中进行抽样

    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

  • 基于行列式点过程的模型与统计推断：扩展版本

    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

  • 高效采样投影 DPP 的 Zonotope 串行采样算法

    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