Sep, 2017

快速贪心 MAP 推断的确定性点过程，以提高推荐的多样性

PDF
TL;DR本文提出了一种新算法，用于改进依赖于近邻的决定性点过程（DPP）的最大后验概率（MAP）推理，从而在大规模数据集上更快地生成相关而多样化的推荐结果，并证明其好处远超于现有相关研究。
determinantal point processmap inferencemachine learningrecommendationsdiversity
发现论文，激发创造
  • 用于行列式点过程的更快贪婪 MAP 推断

    本文提出了使用 log-determinants 和 stochastic trace estimators 的两种逼近方案来使得贪心算法更快速，从而解决大规模 determinantal point processes 的 MAP 问题。实验表明，该算法在不牺牲较少精度的情况下比其竞争对手快数个数量级。

    Mar, 2017

  • 非对称行列式点过程的可扩展学习和 MAP 推断

    本文介绍了一种线性复杂度的基于 NDPP 内核分解的学习算法和一个线性复杂度的最大后验概率推断算法，使用这些算法可以更好地进行数据集的子集选择，缩短计算时间，并且提升了预测性能。

    Jun, 2020

  • 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

  • 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

  • 具有行列式点过程的自然隐私推荐

    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

  • 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

  • 基于 MIMO 启发式 DPP MAP 推断的带宽受限多源数据学习

    本文提出了一种分布式版本的行列式点处理推理方法，以增强在有限通信带宽下的多源数据多样性，该方法不需要原始数据交换，而是需要一个有限带宽的反馈通道将轻量级多样性度量从中心发送到数据源，实现了在样本选择问题中的分布式多源推理。

    Jun, 2023

  • 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

  • 学习非对称行列式点过程

    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

  • 行列式点过程的低秩因式分解用于推荐

    本文介绍了一种使用低秩矩阵分解方法学习 DPP 核并实现商品推荐预测计算的新方法，比先前方法快近一个数量级，在多项真实数据集上得到了验证和比较结果。

    Feb, 2016