Determinantal Point Processes for Machine Learning
Los procesos puntuales determinantes (DPP) son elegantes modelos probabilísticos de repulsión que surgen en la física cuántica y la teoría de matrices aleatorias.
A diferencia de los modelos estructurados tradicionales, como los campos aleatorios de Markov, que se vuelven intratables y difíciles de aproximar en presencia de correlaciones negativas, los DPP ofrecen algoritmos eficientes y exactos para el muestreo, la marginación, el condicionamiento y otras tareas de inferencia. Aunque los matemáticos los han estudiado ampliamente, dando lugar a una teoría profunda y hermosa, los DPP son relativamente nuevos en el aprendizaje automático.
Determinantal Point Processes for Machine Learning proporciona una introducción comprensible a los DPP, centrándose en las intuiciones, algoritmos y extensiones que son más relevantes para la comunidad del aprendizaje automático, y muestra cómo los DPP pueden aplicarse a aplicaciones del mundo real como encontrar diversos conjuntos de resultados de búsqueda de alta calidad, construir resúmenes informativos seleccionando diversas frases de documentos, modelar poses humanas no superpuestas en imágenes o vídeo, y construir automáticamente líneas de tiempo de noticias importantes. Presenta los fundamentos matemáticos generales de los DPP junto con una serie de extensiones de modelado, algoritmos eficientes y resultados teóricos que pretenden facilitar el modelado y el aprendizaje prácticos.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)