无失真中间采样的快速行列式点过程
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
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
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
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
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
通过使用随机点值函数的加权最小二乘逼近方法,该研究论文提供了一种依赖于投影行列式点过程(DPP)或体积采样的加权最小二乘泛化版本,证明了在期望意义下使用 O (mlog (m)) 个样本时预期的 L^2 误差受到常数倍的 L^2 最佳逼近误差的限制,并证明了在函数属于连续嵌入 L^2 的某个范数向量空间 H 的情况下,逼近几乎一定受到 H 范数下最佳逼近误差的限制,最后通过数值实验展示了不同策略的性能。
Dec, 2023
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