【人工智能的数学基础】行列式点过程(Determinantal Point Process)

已于 2023-06-26 02:03:35 修改
阅读量5.1k 收藏 2
点赞数 3
分类专栏： DeepSeek R1 & 大数据AI人工智能大模型 文章标签： 自然语言处理 人工智能 语言模型 python 开发语言
于 2023-06-26 01:50:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/universsky2015/article/details/131388991
版权
行列式点过程（DPP）是机器学习中解决子集选择问题的工具，确保选择的样本具有多样性。它通过半正定的核矩阵K定义，其中K的主子式决定了子集的概率。DPP可用于质量-多样性分解，便于同时考虑采样质量和多样性。此外，DPP可以扩展到条件DPP和k-DPP，分别处理依赖输入的子集和固定大小的子集选择问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

Determinantal Point Process.

本文目录：

  1. 行列式点过程的定义
  2. 通过L-ensemble构造核矩阵
  3. 初等行列式点过程 Elementary DPPs
  4. 质量-多样性分解 quality-diversity decomposition
  5. 其他类型的行列式点过程

1. 行列式点过程的定义

在机器学习中，**行列式点过程 (determinantal point process, DPP)是一种解决子集选择问题的方法，即从样本集合中选择具有多样性(diversity)**的一个子集。DPP赋予该子集上的分布能够使得选择两个相似程度较高样本的概率是负相关的，即越相似的样本越不容易被同时采样到。

一般地，行列式点过程

了解本专栏 订阅专栏 解锁全文 超级会员免费看
行列式点过程(Determinantal Point Process)
AI天才研究院
04-26 1万+
本文目录：在机器学习中，**行列式点过程 (determinantal point process, DPP)是一种解决子集选择问题的方法，即从样本集合中选择具有多样性(diversity)**的一个子集。DPP赋予该子集上的分布能够使得选择两个相似程度较高样本的概率是负相关的，即越相似的样本越不容易被同时采样到。一般地，行列式点过程P\mathcal{P}P是在一个离散的有限基本点集Y={1,2,...,N}\mathcal{Y} = \{1,2,...,N\}Y={1,2,...,N}的幂集2Y2^\m
Determinantal Point Process：机器学习中行列式的妙用
Paper weekly
07-28 461
©PaperWeekly 原创 ·作者 |Yunpeng Tai主页 |https://yunpengtai.top/在机器学习中，我们通常会面临一个问题：给定一个集合 ，从中寻找 个样本构成子集，尽量使得子集的质量高同时多样性好。比如在推荐系统中，我们就希望给用户推荐的东西尽可能的有质量，同时具有差异性。而使得采样的子集尽可能具备多样性便是行列式点过程（Determinantal Po...
行列式点过程 (Determinantal Point Process, DPP)
qq_46600553的博客
01-31 2481
行列式点过程(Determinantal Point Process, DPP)是一种概率模型，用来从全集Z\bm{Z}Z中抽取相关性和多样性最大的子集A\bm{A}A。子集被抽中的概率等于子集核矩阵的行列式与全集核矩阵的行列式的比值，即PLAdetLAdetLI(1)PL​AdetLIdetLA​​1其中，III为单位矩阵，∣P∣N|P|=N∣P∣N。核矩阵LLL。
Determinantal point process 入门
热门推荐
你通透就好 别问我是谁
06-01 1万+
什么是“行列式点过程” 在机器学习（ML）中，子集选择问题的目标是从 ground set 中选择具有高质量但多样化的 items 的子集。这种高质量和多样性的平衡在 ML 问题中经常通过使用行列式点过程（determinantal point process，DPP）来保持，其中 DPP 赋予子集上的分布能够使得选择两个相似项的概率是（反）相关的。 虽然 DPPs 在随机几何（Stochasti...
推荐系统论文拾遗之1——行列式点过程(DPP)多样性控制
路漫漫其修远兮
03-29 5798
推荐系统论文拾遗之1——DPP多样性控制背景解决方案DPP多样性控制工程实践 背景 推荐系统大多会经过召回、粗排、精排和策略层后展示给用户，精排中大多数是以CTR为基础目标的。当给一个用户推荐内容时，往往可能造成某一个兴趣点的内容比较集中，虽然预估CTR会比较高，但未必能得到用户的青睐，主要原因在于用户的兴趣往往不是单峰的。比如一个用户可能会有综艺、美食、体育这三大类兴趣，但是在整个推荐系统中，综...
基于行列式点过程的推荐多样性提升算法（31页）.pdf
03-04
在本报告中，我们关注的是如何通过一种基于行列式点过程（Determinantal Point Process, DPP）的方法来提高推荐的多样性。推荐系统的多样性至关重要，因为它能够促进用户的探索性行为，增加覆盖范围，引入意外发现，...
行列式点过程（一）
Jony0917的专栏
04-23 764
行列式点过程DPP是离散有限点集Y={1,2,...N}\mathcal{Y}=\{1,2,...N\}Y={1,2,...N}的幂集2Y2^{\mathcal{Y}}2Y上的概率分布。 体积与格拉姆矩阵 Lij=g⃗(i)g⃗(j),i,j∈YL_{ij}=\vec{g}(i)\vec{g}(j), i,j\in YLij​=g​(i)g​(j),i,j∈Y det(LY)=det(g⃗(i)g⃗(j):i,j∈Y)det(L_Y) = det(\vec{g}(i)\vec{g}(j):i,j\in Y)
【推荐系统】行列式点过程(DPP)算法推导
Light.T的博客
11-24 4260
DPP 一、背景 推荐系统主要解决用户和物品之间的相关性，以及推荐列表的多样性。相关性主要通过用户兴趣和物品之间的匹配程度来衡量，希望把用户感兴趣的物品推荐给用户，可以通过CTRß预估模型来构建。多样性的衡量没有那么直观，一种方法是计算不同Item之间的cosin值，值越小表明多样性越好。 Hulu在NIPS 2018会议上发表的论文《Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Div
论文研究-基于行列式点过程的中文多文档摘要研究 .pdf
08-16
基于行列式点过程的中文多文档摘要研究，李蕾，张亚召，在目前互联网高速发展的大环境之下,网络中充斥着大量的信息,迫切需要提高用户获取“有效”信息的能力,多文档摘要就是应对这个需求
行列式点过程推荐多样性算法
wang2008start的专栏
07-05 1949
推荐多样性的衡量指标是单个推荐列表中物品之间的差异程度，通过计算在同一个推荐 list 中两两 Item 之间的相似度的平均值来进行衡量。 DPP（Determinantal Point Process）行列式点过程，是一种性能较高的概率模型。将复杂的概率计算转换成简单的行列式计算，通过核矩阵的行列式计算每一个自己的概率。 ...
种子填充法matlab代码-k-dpp:基于k-行列式点过程的空间抽样设计
06-02
种子填充法matlab代码基于k-行列式点过程的空间抽样设计 这些文件作为时空气候数据字段的模型和监测设计的补充材料，由 Camila Casquilho 提供，可在不列颠哥伦比亚大学 (UBC) 在线获取。 该存储库包含实现基于 k-决定性点过程 (k-DPP) 的灵活抽样设计策略的代码。 这种抽样设计能够产生空间平衡的设计，同时根据可能可用的附加特征在位置选择中施加多样性。 在其简单的格式中，它可以被视为一种随机替代空间填充“覆盖”设计的常用方法，可在fields::cover.design 。 k-DPP 采样设计还可以用作高斯场中熵设计的近似值，甚至可以用于选择用于空间预测的节点。 这项研究建立在引入基于 k-DPP 的空间采样设计的基础上。 代码基于 MATLAB 代码。 依赖关系 assertthat::assert_that fields::rdist , foreach::foreach , foreach::`%do%` , foreach::`%dopar%` （可选）， magrittr::`%>%` , purrr::map ， purrr::map_dbl ,
线性代数之行列式基础点
数据科学汇集
09-30 4819
线性代数之行列式基础点 顺序和逆序: 如果我们定义一个排列的每个元素从左到右按照递增的顺序的摆放的，就称这样的排列是顺序的。比如3个数字组成的数列126，数列的第二个元素比第一个大，第三个比第二个大。那么相反的如果从左到右不是递增的，则为称之为逆序的。比如162，这里第三个不比第二大，所以是个逆序。 逆序数：给定一个数列，针对数列里每个数字计算出它的逆序个数（即它左边比它大的个数）的总和，则称之为逆序数。 注：当然也可以数...
强化学习 | 课堂笔记 | 第二课 DPP/近似DPP/Q函数
qq_46219381的博客
02-27 405
Q：贝尔曼方程和贝尔曼最优方程都可以用迭代的方法求解。解贝尔曼方程是为了评估一个给定的策略，评估完之后可以去优化这个策略，这是策略迭代的方法。解贝尔曼最优方程是为了找到一个最优的价值函数，进而找到最优的策略，是价值迭代的方法。总之，策略迭代使用贝尔曼方程，价值迭代使用贝尔曼最优方程。压缩映像原理：x=J(x)存在唯一不动点的充分条件是：||J(x)-J(y)||≤λ||x-y||, λ
【阅读笔记】Distribution-induced Bidirectional Generative Adversarial Network for Graph Representation
靓仔博客
01-06 1267
图表示学习的目的是将一个图的所有节点编码成低维向量，作为许多计算视觉任务的输入。然而，现有的算法大多忽略了数据固有分布甚至噪声的存在。这可能会显著增加过拟合现象，降低测试精度。在本文中，我们提出了一种分布诱导的双向生成对抗网络(DBGAN)，用于图表示学习。该算法采用结构感知的方法估计潜在表示的先验分布，而不是广泛使用的正态分布假设，通过原型学习隐式地连接图和特征空间。这样就为所有节点生成了有区别的鲁棒表示。此外，为了在保持表示能力的同时提高泛化能力，通过一个双向对抗学习框架很好地平衡了样本级和分布级的一致
GPT-3等三篇论文获NeurIPS 2020 最佳论文奖！华人一作获时间检验奖
深度学习技术前沿
12-08 705
作者 | AI科技评论刚刚，NeurIPS 2020在官网公布了2020年度最佳论文奖和时间检验奖两项大奖！今年一共有三篇论文共同获得最佳论文奖，其中第二篇获奖论文就是来自OpenAI团...
DPP多样性
大数据
11-04 2693
一、推荐系统目标 推荐系统的目标主要包含两个方面：Exploitation和Exploration 。 在Exploitation中最重要的是Relevance( 相关性 ) 的计算，其根本思想是根据用户浏览、观看和收藏的内容等用户行为数据推测该用户可能采取的行动。常见的推荐算法大多是基于针对该目标的优化而展开的。 然而用户行为数据在现实中很可能过少、不足以全面地体现用户的兴趣。这一现象在冷启动等场景中很常见。此时推荐系统还有责任挖掘用户尚未表现出的兴趣，并且避免由于现有行为数据...
app2vec在广告投放中的应用
很吵请安静
10-06 3064
本文参考了important_MODELING USERS FOR ONLINE ADVERTISING，主要介绍word2vec的改进版本app2vec在广告投放系统中的应用。 一、word2vec 原理部分不再叙述，下面先回顾一下word2vec在求word embedding的过程，以CBOW为例 加入我们现在有一段文本{I drink coffee everyday}，一共包含五个四个单词...
推荐系统重排：DPP 多样性算法
最新发布
进一步有进一步的欢喜~
01-05 1871
行列式点过程（DPP）作为一种强大的数学工具，已经在多个领域展现了其独特的优势。通过不断的技术创新和优化，DPP不仅能够有效地解决实际问题，还能为未来的个性化推荐和服务提供更多的可能性。希望本文能为广大读者提供一个全面了解DPP的机会，并激发更多关于这一领域的研究和探索。
《基于行列式点过程的推荐多样性提升算法》原理详解
Yummy
12-06 1万+
本文将详细讲解Hulu在NIPS 2018 会议上发表的《Fast Greedy MAP Inference for Determinantal Point Process to Improve Recommendation Diversity》中，提出的基于行列式点过程的推荐多样性提升算法。 引言 随着机器学习技术日益成熟，机器学习的应用领域也越来越广。其中，推荐领域是机器学习一个比较常...
评论 18
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI天才研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值