Procesos puntuales determinantes para el aprendizaje automático

Título original:

Determinantal Point Processes for Machine Learning

Contenido del libro:

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.