Processi puntuali determinativi per l'apprendimento automatico

Titolo originale:

Determinantal Point Processes for Machine Learning

Contenuto del libro:

I processi puntuali determinativi (DPP) sono eleganti modelli probabilistici di repulsione che nascono nella fisica quantistica e nella teoria delle matrici casuali.

A differenza dei modelli strutturati tradizionali come i campi casuali di Markov, che diventano intrattabili e difficili da approssimare in presenza di correlazioni negative, i DPP offrono algoritmi efficienti ed esatti per il campionamento, la marginalizzazione, il condizionamento e altri compiti di inferenza. Sebbene siano stati ampiamente studiati dai matematici, dando origine a una teoria profonda e bella, i DPP sono relativamente nuovi nell'apprendimento automatico.

Determinantal Point Processes for Machine Learning fornisce un'introduzione comprensibile ai DPP, concentrandosi sulle intuizioni, gli algoritmi e le estensioni più rilevanti per la comunità dell'apprendimento automatico, e mostra come i DPP possono essere applicati ad applicazioni del mondo reale, come la ricerca di insiemi diversificati di risultati di ricerca di alta qualità, la costruzione di riassunti informativi selezionando frasi diverse da documenti, la modellazione di pose umane non sovrapposte in immagini o video e la costruzione automatica di timeline di importanti notizie. L'articolo presenta il background matematico generale delle DPP insieme a una serie di estensioni della modellazione, algoritmi efficienti e risultati teorici che mirano a consentire la modellazione e l'apprendimento pratico.