- 预测算法故障模式高效识别
通过人机协作框架和随机采样算法，以设计平衡探索和利用的措施为手段，从未标记数据中高效地识别误分类模式，并运用行列式点过程构造生成器，展现了竞争性能的实验结果。
- 基于行列式点过程的注意力在网格编码中支持分布外泛化
通过探索哺乳动物大脑中的 grid codes 母题点过程，提出了一种由 DPP-A 驱动的关注机制，并以此实现了有趣的泛化能力，这同时提出了一种方法来改善人工神经网络的自举能力。
- ICML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 - ICML基于行列式点过程的神经网络采样器在集成强化学习中的应用
提出了一种基于 Determinantal Point Process 的神经网络采样器 DNS，可在强化学习算法中采用子集的方式减少训练 Neural Networks 所需的时间和计算成本，MuJoCo 环境上对 DNS 的实验表明在使 - ICLR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。
- 子模 + 凹函数
这篇论文研究了函数的最大化问题，其中由凸可解体 $P$ 所定义的一类 $F (x) = G (x)+C (x)$ 函数是凸函数和 DR 子模函数的一个严格扩展，提供了一些算法实现，并在实际应用中进行了验证。
- 用代理随机设计的双重下降和隐式正则化的精确表达式
本文针对过度参数的最小范数线性估计器的双下降现象，借助一种称为代理随机设计的特殊确定点过程进行研究，该代理设计允许对估计器的平均平方误差进行精确表示，并且我们证明了对于代理设计，未正则化的最小范数估计器的隐式偏置恰好对应于在总体分布上解决岭 - MM通过强化行列式点过程实现多样化准确的图像描述
通过结合 DPP 和强化学习，提出了一种 R-DPP 方法，以生成一个高质量和多样性的图像标注集合，并表明其在准确性和多样性方面的表现优于 GAN、VAE 等基于噪声的控制信号。
- 具有亚线性时间预处理的确定性点过程的精确采样
研究了确定性点过程的复杂性，提出了一个新的采样算法，其中预处理成本为 n*poly (k)，采样成本为 poly (k)。
- 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。
- 无失真中间采样的快速行列式点过程
研究使用确定性点过程（determinantal point process）对行子集进行采样的复杂度，提出了一种新的算法 —— 正则化确定性点过程（R-DPP），该算法在预处理步骤和采样步骤上分别具有两个独立的特性，适用于机器学习、数据概 - 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。
- 小批量差异化的行列式点过程
本文提出了一种基于 Determinantal Point Process（DPP）的新型非均匀采样方案，用于在 mini-batch SGD 优化中实现数据的多样性和平衡，成为了 Diversified Mini-Batch SGD (D - CVPR使用多样化建议来学习检测
本文介绍一种可微分的确定性点过程 (DPP) 层，能够优化目标检测体系结构以生成多样化且丰富的提案，同时考虑提案之间的空间布局关系和标签级别的语义关系，从而在不增加网络参数数量的情况下，显著改善对象检测的位置和类别检测的性能，比 Faste - ICLR多样性网络：利用行列式点过程进行神经网络压缩
本文介绍了一种名为 Divnet 的灵活技术，用于学习具有不同神经元的网络，并通过确定性点过程（DPP）和神经元融合的方法来捕获神经元的多样性和实现网络架构的自动优化和缩小，该方法针对剪枝神经网络问题显示优越性。
- 学习行列式点过程的期望 - 极大化算法
使用期望极大化算法和特征值及特征向量参数化的方法进行确定性点过程的全核矩阵优化，相较于对核矩阵中条目的渐进梯度上升进行极大似然优化，我们在一个真实的推荐任务中取得了高达 16.5% 的测试日志似然相对收益率。
- 马尔可夫行列式点过程
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，