ICLRJan, 2022

非对称行列式点过程可伸缩抽样

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 无需查看所有项，从 $k$-DPP 中进行抽样

    本论文提出了一种自适应算法用于在大型数据集中编织小型数据集，从而提高 $k$-DPP 采样算法的性能，并确保所生成的样本集合与原始数据集的目标分布相一致。

    Jun, 2020

  • 通用行列式点过程的高性能采样

    这篇文章介绍了 $LU$ 和 $LDL^H$ 分解的修改方法，以更有效地直接对非 - Hermitian 和 Hermitian DPP 核进行抽样，并证明在高性能的稠密和稀疏直接分解的动态调度、共享内存并行化方面，也可以轻松修改以产生基本相同性能的 DPP 抽样方案，而 Catamari 则发布了相关软件。

    May, 2019

  • k-DPP 有效采样

    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

  • 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

  • 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

  • 关于有约束行列式点过程复杂性的研究

    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

  • 确定性点过程的精确采样

    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