May, 2019

学习非对称行列式点过程

PDF
TL;DR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。
determinantal point processessymmetric dppsnonsymmetric dppsmaximum likelihood estimationpredictive performance
发现论文，激发创造
  • 非对称行列式点过程可伸缩抽样

    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

  • 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

  • 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

  • 学习行列式点过程的定点算法

    本文提出了一种新的算法来学习 DPP kernel，其效果比以前的方法都要好，而且速度更快，实验表明该方法可以在实际数据和模拟数据上取得很好的数值表现。

    Aug, 2015

  • 通过主次子矩阵分配问题学习符号行列式点过程

    本文介绍了一种新的 DPP 模型，称为有符号 DPP，破坏了对称性来引入吸引行为，并使用一种称为方法矩的方法来解决其学习过程中的问题。

    Nov, 2018

  • 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

  • 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

  • 非对称行列式点过程的可扩展 MCMC 采样

    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

  • 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