通用行列式点过程的高性能采样
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
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
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
该论文探讨了在量子计算机上进行 DPP 抽样的效率,并提出了通过修改现有量子电路来实现此过程的方法,并且与超导体的模拟相结合,将 DPP 推广到 Pfaffian 点过程。
May, 2023