Determinantal Point Processes for Machine Learning
A determináns pontfolyamatok (DPP-k) a taszítás elegáns valószínűségi modelljei, amelyek a kvantumfizikában és a véletlen mátrixelméletben jelennek meg.
A hagyományos strukturált modellekkel, például a Markov-véletlenmezőkkel ellentétben, amelyek negatív korrelációk jelenlétében nehezen megoldhatóvá és közelíthetővé válnak, a DPP-k hatékony és pontos algoritmusokat kínálnak a mintavételezéshez, marginalizáláshoz, kondicionáláshoz és más következtetési feladatokhoz. Míg a matematikusok széleskörűen tanulmányozták őket, mély és gyönyörű elméletet alkotva, a DPP-k viszonylag újak a gépi tanulásban.
A Determinantal Point Processes for Machine Learning közérthető bevezetést nyújt a DPP-kbe, a gépi tanulás közösség számára leginkább releváns intuíciókra, algoritmusokra és kiterjesztésekre összpontosítva, és bemutatja, hogyan alkalmazhatók a DPP-k olyan valós alkalmazásokban, mint a jó minőségű keresési eredmények változatos halmazainak megtalálása, informatív összefoglalók készítése a dokumentumokból különböző mondatok kiválasztásával, nem átfedő emberi pózok modellezése képeken vagy videókon, valamint fontos hírek idővonalának automatikus felépítése. A könyv bemutatja a DPP-k általános matematikai hátterét, valamint egy sor modellezési kiterjesztést, hatékony algoritmust és elméleti eredményt, amelyek célja a gyakorlati modellezés és tanulás lehetővé tétele.