ACLMay, 2019

改进行列式点过程相似性度量用于多文档提取式摘要

PDF
TL;DR本研究旨在通过引入胶囊网络的相似度测量来加强基于 DPP 的多文档摘要方法，以解决大量冗余信息和训练数据短缺等难题。我们使用基于表面形式和语义信息的新相似度测量方法来评估句子对之间的冗余程度，并表明我们改进后的 DPP 系统具有更为出色的表现，超越了基准数据集上的强大摘要基线。
multi-document summarizationredundancytraining datadppcapsule networks
发现论文，激发创造
  • 利用确定性点过程和情境化表示进行多文档摘要

    本研究分析使用深度上下文表示法的确定性点过程在提取式摘要中的应用，表明虽然使用深度表示法有一定效果，但仍需要使用表面指标来更好地识别摘要句。

    Oct, 2019

  • 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

  • 改进用于监督视频摘要的序列行列式点过程

    本文讲述了一种基于顺序行列式点过程（SeqDPP）的有监督视频摘要方法，该方法通过概率分布建模多样性。我们提出了一种大边际算法，以解决 SeqDPP 中的曝光偏差问题。同时，我们还设计了一种新的概率分布，当它被集成到 SeqDPP 中时，产生的模型可以接受用户输入期望的摘要长度。此外，我们还扩展了一个视频摘要数据集，并对该数据集进行了广泛的实验比较。

    Jul, 2018

  • 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

  • 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

  • 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

  • 快速贪心 MAP 推断的确定性点过程，以提高推荐的多样性

    本文提出了一种新算法，用于改进依赖于近邻的决定性点过程（DPP）的最大后验概率（MAP）推理，从而在大规模数据集上更快地生成相关而多样化的推荐结果，并证明其好处远超于现有相关研究。

    Sep, 2017

  • 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

  • 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

  • 使用行列式点过程学习不同的生成

    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。

    Nov, 2018