Nov, 2018

使用行列式点过程学习不同的生成

PDF
TL;DR本文探讨了使用 Determinantal Point Process (DPP) 的无监督惩罚损失方法以及内嵌在敌对训练和变分自编码器中的生成 DPP 方法。这种方法可以生成更高质量的样本而且更具多样性，同时不会改变原始的训练方案。
generative modelsmulti-modal outputsmode collapsedeterminantal point processsynthetic data
发现论文，激发创造
  • 大边界行列式点过程

    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

  • 使用变分德特密度点过程实现稀疏化的多样性

    提出了一个基于行列式点加工（DPP）的新颖多样的特征选择方法，用于生物信息学中的癌症基因预测和空间统计，显著提高了特征多样性，不降低准确性。

    Nov, 2014

  • 学习确定性点过程核的参数

    该研究使用贝叶斯方法学习确定性点过程的内核参数，解决了非凸似然函数的难题，应用于神经病理学和图像多样性的研究中。

    Feb, 2014

  • 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

  • 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

  • RD-DPP: 速率失真理论 meets 确定性点过程以实现多样化学习数据样本

    该研究提出了一种基于速率失真理论的选择具有任务导向的多级分类数据样本的新方法，称为 RD-DPP，可用于评估数据样本的情境感知多样性。此外，该研究观察到了基于确定性点过程的数据选择在样本累积过程中存在相变现象，从而设计出一种双峰方法以获得更大的多样性收益。

    Apr, 2023

  • 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

  • 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

  • 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

  • 利用行列式点过程实现多样的轨迹预测

    本文介绍了一种使用 DPP 技术优化轨迹样本集合并实现预测多样性的方法，通过生成多种可能性来确保安全，特别是在自动驾驶等关键领域。

    Jul, 2019