满秩DPP学习打破规模瓶颈，泛化性能显著提升
Scalable Learning of Determinantal Point Processes with Kernel-Structured Interactions
📖 AI 总结
该研究针对行列式点过程（DPP）在大规模数据集上的学习难题展开。DPP通过正定核矩阵编码项目间相似度并体现排斥性，但传统方法为提升计算可扩展性，通常对核矩阵施加低秩加对角等结构约束，这导致模型表达能力与计算效率之间形成严重权衡。为此，作者提出三项改进：一是利用非线性核函数与潜在特征对满秩交互进行建模，二是为最大似然估计设计替代函数，三是采用基于非线性核随机特征的随机优化方法。在真实数据集上的数值实验表明，该方法显著改善了上述权衡关系，在参数效率极高的同时实现了更优的泛化性能，为大规模DPP学习提供了新的可行路径。
🔑 关键词速览
| 行列式点过程 (DPP) | 一种概率模型，通过正定核矩阵编码项目间的相似性，并表现出排斥性，即相似项目同时出现的概率较低。 |
| 核矩阵 | 一个正定矩阵，其元素表示项目之间的相似度，用于定义DPP中的排斥强度。 |
| 低秩加对角形式 | 一种常见的核矩阵结构约束，将矩阵分解为低秩部分和对角部分之和，以降低计算复杂度。 |
| 最大似然估计器 | 一种参数估计方法，通过最大化观测数据的似然函数来估计模型参数。 |
| 随机特征 | 一种通过随机映射将数据映射到高维空间以近似核函数的技术，常用于大规模核方法的随机优化。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅