无需查看所有项,从 $k$-DPP 中进行抽样
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
该研究构建了一种基于组合几何、线性规划和蒙特卡罗方法的新型 MCMC 抽样器,该抽样器利用 hit-and-run MCMC 核有效地跨越凸体并从 DPP 中抽样,提高了汇聚速度。
May, 2017
本文提出了一个基于马尔科夫理论的 determinantal point process (M-DPP) 方法,用于解决多样性集合的选取问题,并且可以通过时间来维护这个多样性。该模型不仅可以产生独立、多样性的集合,同时也可以根据用户的偏好,选择相关性高的新闻文章呈现给用户。
Oct, 2012
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