Determinantné bodové procesy pre strojové učenie

Pôvodný názov:

Determinantal Point Processes for Machine Learning

Obsah knihy:

Determinantné bodové procesy (DPP) sú elegantné pravdepodobnostné modely odpudzovania, ktoré vznikajú v kvantovej fyzike a teórii náhodných matíc.

Na rozdiel od tradičných štruktúrovaných modelov, ako sú Markovove náhodné polia, ktoré sa v prítomnosti záporných korelácií stávajú neriešiteľnými a ťažko aproximovateľnými, DPP ponúkajú efektívne a presné algoritmy na výber vzoriek, marginalizáciu, kondicionovanie a iné úlohy odvodzovania. Hoci ich matematici intenzívne skúmali, čím vznikla hlboká a krásna teória, DPP sú v strojovom učení relatívne nové.

Determinantné bodové procesy pre strojové učenie poskytujú zrozumiteľný úvod do DPP, pričom sa zameriavajú na intuície, algoritmy a rozšírenia, ktoré sú pre komunitu strojového učenia najdôležitejšie, a ukazujú, ako možno DPP aplikovať na reálne aplikácie, ako je napríklad vyhľadávanie rôznorodých množín kvalitných výsledkov vyhľadávania, vytváranie informatívnych súhrnov výberom rôznorodých viet z dokumentov, modelovanie neprekrývajúcich sa ľudských póz na obrázkoch alebo videu a automatické vytváranie časových osí dôležitých spravodajských správ. Uvádza všeobecné matematické pozadie DPP spolu s radom rozšírení modelovania, účinných algoritmov a teoretických výsledkov, ktorých cieľom je umožniť praktické modelovanie a učenie.