非对称行列式点过程的可扩展学习和 MAP 推断

ICLRJun, 2020

非对称行列式点过程的可扩展学习和 MAP 推断

Scalable Learning and MAP Inference for Nonsymmetric Determinantal Point Processes

Mike Gartrell, Insu Han, Elvis Dohmatob, Jennifer Gillenwater, Victor-Emmanuel Brunel

TL;DR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。

Abstract

determinantal point processes (DPPs) have attracted significant attention in machine learning for their ability to model subsets drawn from a large item collection. Recent work shows that nonsymmetric DPP (NDPP) kernels have significant advantages over symmetric kernels in terms of mod

determinantal point processes ndpp kernels subset selection linear-complexity predictive 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

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

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

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

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

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

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

用于行列式点过程的更快贪婪 MAP 推断

本文提出了使用 log-determinants 和 stochastic trace estimators 的两种逼近方案来使得贪心算法更快速，从而解决大规模 determinantal point processes 的 MAP 问题。实验表明，该算法在不牺牲较少精度的情况下比其竞争对手快数个数量级。

Mar, 2017