Procese punctuale determinante pentru învățarea mașinilor

Titlul original:

Determinantal Point Processes for Machine Learning

Conținutul cărții:

Procesele punctuale determinante (DPP) sunt modele probabilistice elegante de repulsie care apar în fizica cuantică și în teoria matricei aleatorii.

Spre deosebire de modelele structurate tradiționale, cum ar fi câmpurile aleatoare Markov, care devin intractabile și greu de aproximat în prezența corelațiilor negative, DPP-urile oferă algoritmi eficienți și exacți pentru eșantionare, marginalizare, condiționare și alte sarcini de inferență. Deși au fost studiate extensiv de matematicieni, dând naștere unei teorii profunde și frumoase, DPP-urile sunt relativ noi în învățarea automată.

Determinantal Point Processes for Machine Learning oferă o introducere inteligibilă la DPP-uri, concentrându-se asupra intuițiilor, algoritmilor și extensiilor care sunt cele mai relevante pentru comunitatea de învățare automată și arată cum DPP-urile pot fi aplicate în aplicații din lumea reală, cum ar fi găsirea unor seturi diverse de rezultate de căutare de înaltă calitate, construirea de rezumate informative prin selectarea unor propoziții diverse din documente, modelarea pozițiilor umane care nu se suprapun în imagini sau videoclipuri și construirea automată a liniilor temporale ale știrilor importante. Lucrarea prezintă contextul matematic general al DPP-urilor, împreună cu o serie de extensii de modelare, algoritmi eficienți și rezultate teoretice care vizează să permită modelarea și învățarea practică.