非对称DPP可识别性突破，500万企业认证数据秒级验证！
Identication and Estimation of Nonsymmetric Determinantal Point Processes
📖 AI 总结
该研究聚焦于非对称行列式点过程（DPP）的识别与估计问题。传统DPP采用对称核设定，只能刻画非正的两两依赖关系，而能容纳正依赖的非对称DPP在统计研究上仍十分有限。作者首先证明了非对称核定义有效DPP的两个充分条件之间的等价性，随后建立了非对称DPP的识别理论，并发展了基数截断极大似然估计与平均随机梯度下降估计两种方法。在适当的识别与正则条件下，两种估计量均具有一致性和渐近正态性。模拟实验考察了识别效果、截断影响及有限样本表现。作者还将方法应用于两个采样频率差异显著的网络场景：每周行业泄露数据和每秒企业认证数据，后者包含超过五百万条集合观测。该工作为非对称依赖结构的统计建模提供了理论支撑与实用工具。
🔑 关键词速览
| 行列式点过程 (DPP) | 一种用于有限随机集的概率模型，其分布由核矩阵的行列式定义，常用于建模具有排斥性的点模式。 |
| 非对称核 | DPP中不要求对称的核矩阵，允许点之间出现正依赖关系，从而扩展了传统对称DPP的应用范围。 |
| 可识别性 | 统计模型的性质，指不同的参数值产生不同的分布，从而保证参数可以从数据中唯一确定。 |
| 基数截断最大似然估计 | 一种参数估计方法，在计算似然时只考虑集合基数不超过某个阈值的观测，以简化计算或提高稳健性。 |
| 平均随机梯度下降 | 一种优化算法，通过迭代地使用随机梯度并对其平均来估计参数，常用于大规模数据下的高效计算。 |
📱 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