Oct, 2018

用网络学习方法进行点过程的行列式稀疏化应用

PDF
TL;DR本研究提出了一种基于确定性点过程的依赖稀化方法，其可用于生成新的点过程用于网络建模以及概率传输调度方案，并利用统计学习技术优化了这些模型。
determinantal point processesthin point processesnetwork modelstatistical learning techniquesprobabilistic transmission scheduling schemes
发现论文，激发创造
  • 行列式过程与独立性

    本文通过概率论介绍了行列式点过程和永久性点过程两种主题，并利用几何变量代替了伯努利变量，得到了类似的表示方法。这些表示方法证明了存在条件和中心极限定理，并将在某些具有径向对称分布的过程中已知的绝对值分布的结果统一起来。

    Mar, 2005

  • 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

  • 行列式概率分布

    该文章研究了离散情况下关于行列式点过程的基本组合和概率学方面，发现了它们与拟阵、随机支配、负关联、无限拟阵的完整性、尾缘平凡性和从正交投影到正算子的结果扩展方法等方面的关系，并提出了许多进一步研究的新方向。

    Apr, 2002

  • 反事实时点过程

    本文提出了一种基于因果模型的稀疏化时间点过程模型，利用超定理和因果单调性提出了一种新的算法，生成了给定时间点下的反事实情形，并在合成和实际流行病数据的模拟实验中取得了有效结果。

    Nov, 2021

  • 确定性点过程蒙特卡罗

    本文提出了基于确定性点过程和多元正交多项式的随机数值积分方法，其均方根误差会随着积分点数呈 N^{-(1+1/d)/2} 的速率减小，并在此基础上证明了一个属于该类定理的中心极限定理和精确的极限误差方差。

    May, 2016

  • 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

  • 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

  • 子线性时间学习行列式点过程

    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

  • 无失真中间采样的快速行列式点过程

    研究使用确定性点过程（determinantal point process）对行子集进行采样的复杂度，提出了一种新的算法 —— 正则化确定性点过程（R-DPP），该算法在预处理步骤和采样步骤上分别具有两个独立的特性，适用于机器学习、数据概括和低秩矩阵重建等多个领域。

    Nov, 2018